详细内容或原文请订阅后点击阅览
倒过来，猫还是猫：使用几何深度学习发展图像识别
在关于组等变卷积神经网络 (GCNN) 的系列文章的第一篇中，我们将介绍主要参与者 — 组 — 和概念（等变）。通过 GCNN，我们终于重新讨论了几何深度学习这一主题，这是一种原则性、数学驱动的神经网络方法，其范围和影响力一直在不断扩大。
来源:RStudio AI博客这是关于组等变卷积神经网络 (GCNN) 的系列文章中的第一篇。今天，我们将简短、概括和概念性地介绍它；随后将介绍示例和实现。在研究 GCNN 时，我们将重新讨论我们在 2021 年首次撰写的一个主题：几何深度学习，这是一种原则性的、数学驱动的网络设计方法，自那时起，其范围和影响力不断扩大。
撰写 几何深度学习从炼金术到科学：两分钟了解几何深度学习
简而言之，几何深度学习就是从两个事物中得出网络结构：域和任务。这些文章将详细介绍，但让我在这里快速预览一下：
- 所谓域，我指的是底层物理空间，以及它在输入数据中的表示方式。例如，图像通常被编码为二维网格，其值表示像素强度。任务就是我们训练网络要做的事情：分类或分割。在架构的不同阶段，任务可能不同。在每个阶段，相关任务都会对层设计的外观做出规定。
例如，以 MNIST 为例。数据集由 0 到 10 的十个数字图像组成，全部为灰度。任务 – 不出所料 – 是为每个图像分配所代表的数字。
\(7\) \(7\) 平移等变 等变 卷积 做 不变性 不变性 是 池化 组等变组等变中的“组”
真的来自对称性的组
这是一个正方形。
现在闭上眼睛。
任何