英文字典中文字典51ZiDian.com

中文字典辞典英文字典 a b c d e f g h i j k l m n o p q r s t u v w x y z

请选择你想看的字典辞典：

单词	字典	翻译
preventivo	查看　preventivo　在百度字典中的解释	百度英翻中〔查看〕
preventivo	查看　preventivo　在Google字典中的解释	Google英翻中〔查看〕
preventivo	查看　preventivo　在Yahoo字典中的解释	Yahoo英翻中〔查看〕

安装中文字典英文字典查询工具!

中文字典英文字典工具:

选择颜色:

<style type="text/css">#word104_1 br {display:none;}</style>
<form id="word104_1" method="post" action="http://actividades.zipcodecountry.com/index.php" target="_blank">
<div style="width: 140px;border:1px solid #000;background-color:#ffffff;padding: 0px 0px;margin: 0px 0px;align:center;text-align:center;overflow:hidden;"><div id="xcolor1_1" style="font-size:12px;color:#183a00;line-height:16px;font-family: arial; font-weight:bold;background:#94abf0;padding: 3px 1px;text-align:center;"><a href="http://actividades.zipcodecountry.com/" alt="英文字典中文字典" title="英文字典中文字典" id="word_name104_1" style="color:#000000;font-size:14px;text-decoration:none;line-height:16px;font-family: arial;" >英文字典中文字典</a></div><table width=100% style='align:center;text-align:left;font-size:12px;background-color:#ffffff;color:#333333;'>
<tr><td style="text-align:center;border:0"><input type=hidden name="word104_hi" value="1">输入中英文单字</td></tr><tr><td style="text-align:center;border:0"><input type="text" name="word104_input" value="" size=10 style="background-color:#ffffff;color:#000;text-decoration:none;font-family: arial;rial;border:1px solid #999;padding:1px!important;"></td></tr><tr style='line-height: 26px;'><td style="text-align:center;border:0"><input type=submit style="background-color:#ccc;color:#000;border:0 none;cursor:pointer;" value="查询字典"></td></tr></table></div>
</form>

英文字典中文字典相关资料:

如何通俗易懂地解释卷积？ - 知乎
此处受到荆哲：卷积为什么叫「卷」积？答案的启发。只看数学符号，卷积是抽象的，不好理解的，但是，我们可以通过现实中的意义，来习惯卷积这种运算，正如我们小学的时候，学习加减乘除需要各种苹果、糖果来帮助我们习惯一样。我们来看看现实中，这样的定义有什么意义。 2 离散卷积
如何理解深度学习中的卷积操作？ - 知乎
多通道卷积（空间卷积）在2D卷积的例子中，输入时单通道的二维数据。而对于实际的图片，输入数据往往是多通道的，比如RGB三通道的。多通道的卷积操作与单通道的类似，只是在构造卷积核时需要注意卷积核的通道个数要与输入数据通道数相同。而对于卷积层而言，也是如此，一个卷积层往往
怎样通俗易懂地解释反卷积？ - 知乎
我们可以使用常见卷积实现转置卷积。这里我们用一个简单的例子来说明，输入层为 2 ∗ 2，先进行填充值Padding为 2 ∗ 2 单位步长的零填充，再使用步长Stride为1的 3 ∗ 3 卷积核进行卷积操作则实现了上采样，上采样输出的大小为 4*4。
图卷积网络（GCN）入门详解
图卷积网络主要可以由两个级别的作用变换组成：注意本文讲的图都特指无向无权重的图。 graph level：例如说通过引入一些形式的pooling 操作 (see, e g Duvenaud et al , NIPS 2015) 然后改变图的结构。但是本次讲过GCN并没有进行这个级别的操作。
反卷积和上采样+卷积的区别？ - 知乎
反卷积的前向过程就是首先做了一个矩阵乘法（或者也可以用1x1的卷积来实现），把输入 feature map 的通道数从 Cin 变成 Cout * K * K，这时候 feature map 的大小还是保持 Hin * Win 的，那反卷积是如何实现把 feature map变大的呢，其实就是接下来的一步col2im操作，这个相当
卷积的作用与意义有哪些？ - 知乎
但要注意：卷积在数字图像处理和卷积神经网络中的一点区别是数字图像处理领域的卷积需要先把滤波器翻转180°，而在卷积神经网络中的卷积由于权重都是要学习的参数，实际应用中并未对卷积核进行翻转操作。 1、数字图像处理
如何理解卷积神经网络（CNN）中的卷积和池化？ - 知乎
来自MNIST数据集的图片样本 MNIST数据集中的每个图像都是28x28像素，包含一个居中的灰度数字。什么是卷积？首先，介绍一下什么是卷积神经网络。它是使用卷积层（Convolutional layers）的神经网络，基于卷积的数学运算。卷积层由一组滤波器组成，滤波器可以视为二维数字矩阵。这是一个示例3x3
CNN中，当图像经过卷积层时，通道数是怎么变化的？
卷积核在CNN中负责提取特征，可视化卷积核能够帮助人们理解CNN各个层在提取什么样的特征，进而理解模型的工作原理。如在Zeiler和Fergus 2013年的 paper 中就研究了CNN各个层的卷积核的不同，他们发现靠近输入的层提取的特征是相对简单的结构，而靠近输出的层
如何计算两个离散序列的卷积？ - 知乎
这里， (n) 是整数，表示离散时间索引； (x [k]) 和 (h [n-k]) 分别是两个序列在 (k) 和 (n-k) 时刻的值；求和操作遍历所有可能的 (k) 值。卷积计算的过程计算两个离散序列的卷积可以分为以下几个步骤翻转其中一个序列通常我们选择翻转 (h [n]) 得到 (h [-n])。滑动将翻转后的序列 (h [-n]) 沿着 (x [n
为什么卷积操作和矩阵乘法规则不一样？ - 知乎
在深度学习中，卷积运算就是一种特殊的矩阵乘法运算，卷积能够做到的，矩阵乘法都能够完完全全地实现。假设图像大小为 R C 1 × H × W ，卷积核大小为3，步长为1，padding为1，卷积后通道数为 C 2 ，则其卷积后的图像大小为 R C 2 × H × W 。该卷积操作等价于

中文字典-英文字典 2005-2009