按元素乘法有時候被稱為hadamard 乘積，或者schur 乘積
訊號與系統等學科中的
卷積操作的本質，神經網路中的卷積就是乘累加；
訊號處理中的卷積就是加權疊加。具體點，平移（無反褶）、疊加。可以看到卷積的重要的物理意義是：乙個函式（如：單位響應）在另乙個函式（如：輸入訊號）上的加權疊加。 樓主這種做法和通常教材上的區別在於：書上先反褶再平移，把輸入訊號當作乙個整體，一次算出乙個時間點的響應值；而樓主把訊號拆開，一次算出乙個訊號在所有時間的響應值，再把各個訊號相加。兩者本質上是相同的。
參考資料：
矩陣乘以列向量的話用矩陣的每一行乘以列向量；行向量乘以矩陣的話用行向量乘以矩陣的每一列,
設a為m*p的矩陣，b為p*n的矩陣，那麼稱m*n的矩陣c為矩陣a與b的乘積，記作c=ab
點乘,也叫向量的內積、數量積.顧名思義,求下來的結果是乙個數。
向量a·向量b=|a||b|cos ；
在物理學中,已知力與位移求功,實際上就是求向量f與向量s的內積,即要用點乘；
在物理學中,已知力與力臂求力矩,就是向量的外積,即叉乘。
向量的外積不遵守乘法交換率,因為 向量a×向量b=-向量b×向量a
將向量用座標表示（三維向量）,
若向量a=(a1,b1,c1),向量b=(a2,b2,c2),則
向量a·向量b=a1a2+b1b2+c1c2
向量a×向量b=
| i j k|
|a1 b1 c1|
|a2 b2 c2|
=(b1c2-b2c1,c1a2-a1c2,a1b2-a2b1)
（i、j、k分別為空間中相互垂直的三條座標軸的單位向量）。
kronecker：上取樣，如果a是乙個 m x n 的矩陣，而b是乙個 p x q 的矩陣，克羅內克積則是乙個 mp x nq 的矩陣。
是指在數學中，兩個集合x和y的笛卡尓積（cartesian product），又稱直積，表示為x × y，第乙個物件是x的成員而第二個物件是y的所有可能有序對的其中乙個成員。
例子：設a,b為集合，用a中元素為第一元素，b中元素為第二元素構成有序對，所有這樣的有序對組成的集合叫做a與b的笛卡爾積，記作axb.
a×b=
例如，a=, b=，則
a×b=
b×a=
可以擴充套件到多個集合的情況。類似的例子有，如果a表示某學校學生的集合，b表示該學校所有課程的集合，則a與b的笛卡爾積表示所有可能的選課情況。
機器學習基礎 math（17） 各種距離
任意滿足測度的 4 個條件的函式都可以被定義為距離。non negativity or separation axiom 非負性或分離公理 identity of indiscernibles 不可分辨的同一性 symmetry 對稱性 subadditivity or inequality 次可加...
機器學習基礎 math（5） 矩陣
主成分分析 pca 的時候，會需要矩陣的跡。對上面的線性方程組，第乙個方程和第二個方程有不同的解，而第2個方程和第3個方程的解完全相同。從這個意義上說，第3個方程是 多餘 的，因為它沒有帶來任何的資訊量，把它去掉，所得的方程組與原來的方程組同解。為了從方程組中去掉多餘的方程，自然就匯出了 矩陣的秩 ...
機器學習基礎 math（10） P值
乙個統計指標，許多科學領域中的研究結果的意義均是由p值來判斷的。它們被用來證明或駁回乙個 零假設 通常假定所測試的效果並不存在。當p值越小，該實驗結果是由純粹的偶然所造成的可能性就越小。由於樣本採集的有限性，他通常只能以小樣本數來進行統計平均，不過在這研究的過程中，他發現小樣本統計平均結果不滿足他一...