网络矩阵

预先训练好的VGG-16网络 https://gist.github.com/baraldilorenzo/07d7802847aaad0a35d3 VGG 16http://www.robots.ox.ac.uk/~vgg/research/very_deep/ 代码实现 https://github.com/mengli/MachineLearning/blob/master/self_driving/road_seg/convnet.py 我们再把4 \times 4的输入特征展成16 \times 1的矩阵X： 那么输出矩阵Y=CX则是一个 4 × 1 4 \times 1 4 × 1 的输出特征矩阵，把它重新排列成$2 \times 2的输出特征就得到最终的结果，通过上述的分析，我们可以看到卷积操作可以表示为和矩阵C相乘，那么反卷积操作就是和矩阵C的转置C^T相乘。因此，反卷积操作也被称为转置卷积操作（transposed convolutional layer）。 下图所示的是参数为 i ′ = 2 , k ′ = 3 , s ′ = 1 , p ′ = 2 i'=2, k'=3, s'=1, p'=2 i ′ = 2 , k ′ = 3 , s ′ = 1 , p ′ = 2 的反卷积操作，其对应的卷积操作参数为 i = 4 , k = 3 , s = 1 , p =

题目链接： C.hello 2019 cf 750E 先讲讲cf 750E, 首先安利下cf这场比赛的题解 http://codeforces.com/blog/entry/49412 关于这题核心就在题解链接中的讨论部分，当发现类似连在一起几把锁的图案就是该部分 虽然是英文的，但讲的很好（ 可以像我一样用划词翻译 ） 下面理了理这题的思路 最难的还是如何想到构造这样一个矩阵 （没办法，自己都是看题解的。这个得看实力，做过可能下次就会了） 这里用数字0~4分别表示5种状态 1:=2 2:=20 3:=201 4:=2017 因此用5*5的矩阵a来存储这5种状态 a[i][j]表示状态i到状态j最小代价（即最少需要删除的字符） n个位置每个位置都有转换矩阵，共有n个矩阵 每个矩阵的作用就是： 当遍历到第x个字符时，已有预处理得到x位置上的转换矩阵tr[x].a，用矩阵A表示某区间[st,x-1]的状态矩阵，那么如何得到区间[st,x]的状态矩阵（设为矩阵B）呢？ 矩阵B可以通过矩阵A与转换矩阵tr[x].a运算得来，这就是转换矩阵的作用 如何运算？ 讲讲这里的矩阵是如何运算的，也就是如何由A和tr[x].a得出B： ：A矩阵中A[i][j]表示的是区间[st,x-1]内从状态i->j所花费的最小代价 B [ i ] [ j ] = m i n ( A [ i ] [ k ] + t