在討論卷積核的時候，是不把channel維加進去的
核 = 乙個可以滑動的視窗
視窗內不同位置資料之間的權值共享
3d卷積，卷積核會在3個方向上運動，那麼卷積核的運動需要有三個自由度（一小塊立方體，在乙個大麵包塊內3個方向上滑動
2d卷積，卷積核只在2個方向上運動，因此只有兩個自由度（一小片紙，在一大張紙內2個方向上滑動
1d卷積，卷積核只在1個方向上運動，因此只有乙個自由度（一條滑窗，在一大長線上1個方向上滑動
乙個卷積核運算一次 得到乙個輸出值
以上討論了單個卷積核，接下來考慮多通道，乙個卷積核對應乙個通道
多通道同一位置，同時平行計算（矩陣運算
cxhxw
2d卷積hw方向滑動內積：
輸入：多通道2d map（藍色）
過程：拼接各kernel內積結果
輸出：單通道（綠色）
txhxw取某一通道為例：
3d卷積hwt方向滑動內積
輸入：多時間3d cube（藍色）
過程：拼接各kernel內積結果
輸出：多時間3d cube（綠色）
下圖是c3d**中配圖(b)2d卷積情況下，此文第一張圖 橘色塊到綠色片的轉化，上圖為過程演示
3d卷積情況下，不畫**釋了，就是多個維度相同的cube疊加到同乙個cube，2d時的紙片看作切片麵包
先說乙個 1x1 卷積，不屬於卷積分解
如果我們要做5x5卷積，先在之前加乙個1x1卷積 用於降維/通道（1x1卷積核個數《輸入通道數 即可實現低成本降維/通道）
原本一步操作分成2步操作，有分解那味了
// 假設
input feature maps:28×28 channel:256
1x1 convolutional layer:1x1 channel:16
5x5 convolutional layer:5x5 channel:32
// 僅一步32個5x5卷積
卷積核參數量 = 256x5x5x32 = 201800
// 兩步：5x5 卷積之前經過了 1x1 卷積
輸入的 size 為 28x28x256 經過 1x1 卷積後 size 為 28x28x16 （通道數256降低至16）
再5x5卷積
卷積核參數量 = 256x1x1x16 + 16x5x5x32 = 16896
q：是否損失資訊？
a：理論模糊（跨通道資訊互動啦耦合解耦通道資訊啦不損失解析度啦），實驗結果說明並沒有損失很多資訊，最大好處減少參數量~
1個二維卷積核分解為2個一維卷積核點積
比起卷積，空間可分離卷積要執行的矩陣乘法運算也更少。假設我們現在在 m x m 卷積核、卷積步長=1 、填充=0 的 n x n 影象上做卷積。傳統的卷積需要進行 (n-2) x (n-2) x m x m 次乘法運算，而空間可分離卷積只需要進行 n x (n-2) x m + (n-2) x (n-2) x m = (2n-2) x (n-2) x m 次乘法運算2d卷積的 多通道輸出，不add，而進行stack
上一步stack後的多通道輸出，通過乙個"1x1x通道數"的卷積核計算，乙個核輸出乙個通道
肉眼可見參數量的大大縮小
3x3x3x128 -> 3x3x3 + 1x1x3x128
另一篇解釋：k_t x k x k --> 1x k x k (saptial, depthwise) + k_t x 1 x 1(temporal, pointwise)
channel-separated convolutional networks
下圖是csn **配圖：卷積(chanel合併)，組卷積(組內channel合併)，depthwise卷積(channel不合併)
分解channel
chw為輸入：
一文搞定聯合索引
聯合索引 上文講解了索引的底層結構，但是留了乙個尾巴，就是沒有去講復合索引。今天來繼續梳理復合索引，所謂復合索引即是由多個字段組成的一條索引。例如下表 create table test id int 4 notnull auto increment a varchar 10 not null b ...
一文搞定babel轉換
code轉換為ast 遍歷ast樹 進行修改 還原為code targets支援哪些瀏覽器 babel polyfill是將整個es2015 環境引入到全域性中，會造成全域性汙染require core js modules set 改變了原型，所以可以在例項上使用方法 通過配置usebuiltin...
一文搞定開發學習環境
剛開始學寫 首先要搭建開發環境。新手需要在網上查閱教程，很多時候會遇到各種問題，甚至導致自己的學習進度卡住，學習熱情也因此而減少，這實在是個讓人煩的事情。我們可以簡單分析原因，並慢慢減少此類問題的發生。搭建開發環境經常出錯的原因 1.開發環境不匹配 我們在學習或者實際的開發中，有多種開發平台，比如w...