机器学习




To be Continued …
Last Modified Date: 2021/12/28


Terminology

此处扫盲各种术语

Sparsity

稀疏性1是压缩感知的前提,主要指空元素所占比重较大的情形,通常用向量或矩阵中设置为 0 的元素数除以该向量或矩阵的条目总数。

矩阵中:

  • 若数值为 0 的元素数目远多于非 0 元素的数目时,则称该矩阵为稀疏矩阵
  • 与之对应即非 0 元素占大多数时,该矩阵为稠密矩阵

信号中:

  • 若信号是稀疏的,这表示信号中有许多 0 元素,这种情况下,信息是可以被压缩的,只需找到非零元素就能处理问题。
    但现实中信号本身并不是稀疏的,经过一个变换后,大多是一组基上面的稀疏,即信号的稀疏表示

除此之外,还有特征稀疏性2模型稀疏性3 两种,其中特征稀疏性是指特征向量的稀疏性,模型稀疏性则是指模型权重的稀疏性。

IF (Integrated-and-Fire Neuron Model)

IF Neuron Model的概念三言两语无法介绍清楚,请参考以下链接🔗
神经元的放电模型。


SNN (Spiking Neural Network)

概念

SNN的概念三言两语无法介绍清楚,请参考以下链接🔗
Spiking Neural Network简述


参考链接

Terminology

稀疏性 Sparsity
神经元的放电模型。

SNN (Spiking Neural Network)

Spiking Neural Network简述

Logo

CSDN联合极客时间,共同打造面向开发者的精品内容学习社区,助力成长!

更多推荐