矩阵卷积计算公式

上面两个图的区别： ·在图像为代表的欧式空间中，结点的邻居数量都是固定的。比如说绿色结点的邻居始终是8个(边缘上的点可以做 Padding填充)。但在图这种非欧空间中，结点有多少邻居并不固定。 ·欧式空间中的卷积操作实际上是用固定大小可学习的卷积核来抽取像素的特征。但是图里的邻居结点不固定，所 以传统的卷积核不能直接用于抽取图上结点的特征。
卷积
首先来看概率上的例子
若（X,Y）是二维连续型随机变量（仅以连续性举例，离散型也可以），对于任意二元组（x,y），有
F(x,y)=P{(X⩽x)⋂(Y⩽y)} 一般写作P{X⩽x,Y⩽y}
F（X,Y）就是(u, v)dudv
其中，f(x,y)为X和Y的联合概率密度。对于单独的X或Y则有边缘分布 和边缘密度函数
举例说明一下
假设结点5为中心结点，其隐藏状态的更新函数如图所示。h5的更 新需要邻近的点信息、相连的边信息以及临近点的隐藏信息。
不断地利用当前时刻邻居结点的隐藏状态作为部分输入来 生成下一时刻中心结点的隐藏状态，直到每个结点的隐藏状态变化 幅度很小，整个图的信息流动趋于平稳。至此，每个结点都“知晓” 了其邻居的信息。
目前主流的研究从2条路来解决邻居节点不固定这件事： （1）提出一种方式把非欧空间的图转换成欧式空间。（基于空域） （2）找出一种可处理变长邻居结点的卷积核在图上抽取特征。（基于频域）
这两条实际上也是后续图卷积神经网络的设计原则，图卷积的本质是想找到适用于图的可学习卷积核
基于空域卷积的方法直接将卷积操作定义在每个结点的连接关系上，它跟传统的卷积神经网络中的卷积更相似一 些。在这个类别中比较有代表性的方法有 Message Passing Neural Networks(MPNN), GraphSage, Diffusion Convolution Neural Networks(DCNN)[3], PATCHY-SAN等。

机器学习（04）——常⽤专业术语对于机器学习的常⽤专业术语，我们在开始学习之前，最好⼤概的看⼀两次，简单了解⼀些常识和术语，有了基本了解后，对于后续学习会有很⼤的帮助。

AA/B 测试 (A/B testing)⼀种统计⽅法，⽤于将两种或多种技术进⾏⽐较，通常是将当前采⽤的技术与新技术进⾏⽐较。

A/B 测试不仅旨在确定哪种技术的效果更好，⽽且还有助于了解相应差异是否具有显著的统计意义。

A/B 测试通常是采⽤⼀种衡量⽅式对两种技术进⾏⽐较，但也适⽤于任意有限数量的技术和衡量⽅式。

准确率（accuracy）分类模型预测准确的⽐例。

在多类别分类中，准确率定义如下：在⼆分类中，准确率定义为：请参阅【正例 (TP, true positive)】和【负例 (TN, true negative)】。

激活函数 (activation function)⼀种函数（例如 ReLU 或 S 型函数），⽤于对上⼀层的所有输⼊求加权和，然后⽣成⼀个输出值（通常为⾮线性值），并将其传递给下⼀层。

AdaGrad⼀种先进的梯度下降法，⽤于重新调整每个参数的梯度，以便有效地为每个参数指定独⽴的学习速率。

如需查看完整的解释，请参阅这篇论⽂。

ROC 曲线下⾯积 (AUC, Area under the ROC Curve)⼀种会考虑所有可能分类阈值的评估指标。

ROC 曲线下⾯积是，对于随机选择的正类别样本确实为正类别，以及随机选择的负类别样本为正类别，分类器更确信前者的概率。

B反向传播算法 (backpropagation)在神经⽹络上执⾏梯度下降法的主要算法。

该算法会先按前向传播⽅式计算（并缓存）每个节点的输出值，然后再按反向传播遍历图的⽅式计算损失函数值相对于每个参数的偏导数。

基准 (baseline)⼀种简单的模型或启发法，⽤作⽐较模型效果时的参考点。

基准有助于模型开发者针对特定问题量化最低预期效果。

批次 (batch)模型训练的⼀次迭代（即⼀次梯度更新）中使⽤的样本集。

矩阵转置的概念矩阵转置的概念矩阵是数学中一个重要的概念，它是由若干行和若干列组成的二维数组。

在实际应用中，经常需要对矩阵进行一些操作，如矩阵加法、矩阵乘法等。

其中一个常见的操作就是矩阵转置。

一、什么是矩阵转置？矩阵转置是指将一个m×n的矩阵A的行和列互换，得到一个n×m的新矩阵B，即B[i][j] = A[j][i]。

例如，对于以下3×2的矩阵A：1 23 45 6其转置后得到2×3的新矩阵B：1 3 52 4 6二、为什么需要进行矩阵转置？1. 简化运算：在某些情况下，对于某个问题来说，使用转置后的矩阵可以更加方便地进行运算。

2. 程序实现：在程序实现中，有些算法需要使用到转置后的矩阵。

三、如何计算矩阵转置？对于一个m×n的矩阵A，其转置后得到一个n×m的新矩阵B。

可以通过以下方式计算矩阵转置：1. 遍历原矩阵：对于原矩阵A中的每一个元素A[i][j]，将其赋值给新矩阵B中的B[j][i]。

2. 使用公式计算：对于原矩阵A中的每一个元素A[i][j]，可以使用公式B[j][i] = A[i][j]计算转置后的新矩阵B。

四、矩阵转置的性质1. 转置后的转置等于原矩阵：即(A^T)^T = A。

2. 转置后的逆矩阵等于原矩阵的逆矩阵的转置：即(A^-1)^T =(A^T)^-1。

3. 线性变换下的转置：对于线性变换T(x)，其在标准正交基下对应着一个m×n的矩阵A。

则其转置在标准正交基下对应着一个n×m的矩阵A^T，且有(T(x))^T = T(x^T)。

五、应用实例1. 线性代数中常用到的向量内积可以通过向量转为列向量和行向量，再进行点乘得到。

2. 在图像处理中，常使用卷积运算。

而卷积运算可以看做是将一个滤波器（卷积核）在图像上滑动，将每个位置上的像素值与滤波器对应位置上的系数相乘并求和得到新的像素值。

而这个滤波器可以看做是一个矩阵，因此需要对其进行转置后再进行卷积运算。

YOLOv8是一种流行的目标检测算法，它使用卷积神经网络进行实时目标检测。

在实现YOLOv8时，需要使用一系列数学公式来定义网络的结构和计算过程。

下面将介绍一些主要的数学公式和它们在YOLOv8中的应用。

1. 卷积操作YOLOv8使用卷积操作来提取图像特征。

卷积操作通过将一个小尺寸的滤波器与图像进行叠加，以提取图像中的局部特征。

在YOLOv8中，卷积操作使用ReLU激活函数来增加非线性，并使用批量归一化来减少数据分布的偏差。

数学公式表示为：y = x * w + b + k * (s - h) / M其中y是卷积后的输出，x是输入图像，w是滤波器的权重，b是偏置项，k是空间偏差项，s是输入图像的大小，h是滤波器的大小，M是批量归一化的参数。

2. 池化操作YOLOv8使用池化操作来减小特征图的尺寸，以提高模型的效率和准确性。

池化操作可以将特征图中的像素值进行聚合和压缩，以减少计算量和参数数量。

YOLOv8中常用的池化方式包括最大池化和平均池化。

数学公式表示为：P = { f(i, j) / Σ(i, j) }其中P是池化后的特征图，f(i, j)是输入特征图中的像素值，Σ(i, j)是特征图中的所有像素值的和。

3. 损失函数损失函数是衡量模型预测误差的指标，用于优化模型的参数以提高预测精度。

在YOLOv8中，常用的损失函数包括分类损失和定位损失。

分类损失用于衡量模型的分类精度，定位损失用于衡量模型的定位误差。

YOLOv8还使用交叉熵损失和Huber损失来处理不同类型的数据分布和数据倾斜问题。

数学公式表示为：L = -∑y_i * log(p_i) + ∑δ_ij * (x_j - b_j)^2其中L是总损失函数，y_i是真实标签，p_i是模型预测的概率分布，δ_ij是真实标签和模型预测的交集部分的数量，x_j和b_j分别是预测和真实的目标位置坐标。

4. 反卷积操作YOLOv8中还使用反卷积操作来对特征图进行上采样，以恢复目标的原始尺寸和分辨率。