机器学习/深度学习论文中常出现的Permutation Invariant解释
Permutation Invariant指的是特征之间没有空间位置关系
例如多层感知机，改变像素的位置对最后的结果没有影响
f ( ( x 1 , x 2 , x 3 ) ) = f ( ( x 2 , x 1 , x 3 ) ) = f ( ( x 3 , x 2 , x 1 ) ) f((x1,x2,x3))=f((x2,x1,x3))=f((x3,x2,x1)) f((x1,x2,x3))=f((x2,x1,x3))=f((x3,x2,x1))
但是对卷积网络而言情况就不同了，特征是有位置关系的。
参考链接：link
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
19
0- 0
已为社区贡献1条内容
所有评论(0)