（一）深度学习（图像方向）常见名词术语

附加：

（1）block、tile、margin和cell的区别

概念就不赘述了，直接上图，简单易懂！

引自：https://blog.csdn.net/ywcpig/article/details/79758710

（二）Concatenation操作

      论文中（Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting），在公式里遇到concatenation operation，不知道是什么，大致的意思应该是把向量中对应位置加起来吧，但是不能确定。

       在网上找关于concatenation的描述，没有找到，后来实际操作一翻，才发现其实是将新向量拼接到原来的向量之后，对应着维数增加，代码实例，比如：

import numpy as np

a = np.array([[1, 2], [3, 4]])

print(a.shape)

b = np.array([[5, 6]])

print(b.shape)

c= np.concatenate((a, b))

print(c)

输出：

(2, 2)

(1, 2)

[[1 2]

 [3 4]

 [5 6]]

(3, 2)

       为了加深理解，如下进一步说明，以GoogLeNet为例：

       上图为GoogLeNet的示意图。从左往右看，这个网络依然是一层一层的排布结构，但是在每一层上又有好几个组成部分，也就是说这个网络的宽度就不是1了。

       Inception：串接(concatenation)，下图所示的inception结构是GoogLeNet的基本组成部分：

       我们可以看到在inception结构中有1x1的卷积、3x3的卷积、5x5的卷积、3x3的池化等等。相当于原来只有一层，而我们现在有了多层并将结果串接起来。对此的直观理解可以是：我们的卷积层在提取特征时究竟采用几x几的卷积核效果最好是比较难确定的，于是我们在这里把各种卷积核的大小都进行尝试。
       这里特别讲一下看似没有意义的1x1的卷积，之前已经提到过，卷积层不仅有长和宽，它是一个三维的概念。我们的图像可能不止有一个通道，例如我们常见的RGB色彩模式，就有三个通道，卷积操作实际上会把每个通道的计算结果进行叠加，所以1x1的卷积并非是无意义的操作。

（三）Hadamard Operator

       假设s和t是两个有相同维数（或不同维数：前提是利用numpy广播功能）的向量。那么我们用s⊙t来表示两个向量的对应元素(elementwise)相乘。因此s⊙t的元素(s⊙t)_j=s_jt_j。

点滴分享，福泽你我！Add oil！