n維歐式空間中任意k個向量之間兩兩的內積所組成的矩陣，稱為這k個向量的格拉姆矩陣(gram matrix)
根據定義可以看到，每個gram矩陣背後都有一組向量，gram矩陣就是由這一組向量兩兩內積得到的，先說一下向量內積是做什麼的。
向量的內積,也叫向量的點乘，對兩個向量執行內積運算，就是對這兩個向量對應位一一相乘之後求和的操作，內積的結果是乙個標量。例如對於向量a和向量b：
a和b的內積公式為：
兩個向量的內積有什麼用呢？乙個重要的應用就是可以根據內積判斷向量a和向量b之間的夾角和方向關係（詳細推導可參見：具體來說：
簡單來說就是內積可以反映出兩個向量之間的某種關係或聯絡。gram矩陣是兩兩向量的內積組成的，所以gram矩陣可以反映出該組向量中各個向量之間的某種關係。
深度學習中經典的風格遷移大體流程是：
1. 準備基準影象和風格影象
2. 使用深層網路分別提取基準影象（加白雜訊）和風格影象的特徵向量（或者說是特徵圖feature map）
3. 分別計算兩個影象的特徵向量的gram矩陣，以兩個影象的gram矩陣的差異最小化為優化目標，不斷調整基準影象，使風格不斷接近目標風格影象
這裡邊比較關鍵的乙個是在網路中提取的特徵圖，一般來說淺層網路提取的是區域性的細節紋理特徵，深層網路提取的是更抽象的輪廓、大小等資訊。這些特徵總的結合起來表現出來的感覺就是影象的風格，由這些特徵向量計算出來的的gram矩陣，就可以把影象特徵之間隱藏的聯絡提取出來，也就是各個特徵之間的相關性高低。如果兩個影象的特徵向量的gram矩陣的差異較小，就可以認定這兩個影象風格是相近的。
總的來說，gram matrix可看做是影象各特徵之間的偏心協方差矩陣（即沒有減去均值的協方差矩陣），gram計算的是兩兩特徵之間的相關性，哪兩個特徵是同時出現的，哪兩個是此消彼長的等等。另一方面，gram的對角線元素，還體現了每個特徵在影象中出現的量，因此，gram矩陣可以度量各個維度自己的特性以及各個維度之間的關係，所以可以反映整個影象的大體風格。只需要比較gram矩陣就可以比較兩個影象的風格差異了。
計算格拉姆矩陣 MLlib向量 矩陣 BLAS簡介
這裡了解一下就行了，真的只需要了解，用的時候自然就會了。買書的時候一定要注意了，一定要選大牛 大牛 大牛的書，那種雜七雜八的書，看的真的難受。既然選擇了，那麼就要堅持到底，即使這個選擇並不是最佳的選擇，但是有始有終，也是我一貫的行事風格。我現在只想快快結束這本書，趕緊去刷下一本書 向量 dense ...
gram矩陣的性質 矩陣分析（九）Gram矩陣
歐氏空間 v 是 mathbb 上的線性空間，定義對映 sigma v times v to mathbb 對於 alpha,beta in v 將 sigma alpha,beta 記為 left 若 sigma 滿足 對稱性 left left 右 齊次性 left k left 右 可加性 l...
Gram矩陣的意義
鏈結1 鏈結2 gram matrix實際上可看做是feature之間的偏心協方差矩陣 即沒有減去均值的協方差矩陣 在feature map中，每乙個數字都來自於乙個特定濾波器在特定位置的卷積，因此每個數字就代表乙個特徵的強度，而gram計算的實際上是兩兩特徵之間的相關性，哪兩個特徵是同時出現的，哪...