多通道卷积计算量上图计算量为：28 x 28 x 192 x 5 x 5 x 32 = 120,422,400次引入1x1卷积后的计算量为：28 x 28 x 192 x 1 x 1 x 16 + 28 x 28 x 16 x 5 x 5 x 32 = 12,443,648次权重个数与输出特征图大小假如previous layer的大小为28x28x192，那么上面网络的权重个数为：1 x 1 x

多通道卷积计算量上图计算量为：28 x 28 x 192 x 5 x 5 x 32 = 120,422,400次引入1x1卷积后的计算量为：28 x 28 x 192 x 1 x 1 x 16 + 28 x 28 x 16 x 5 x 5 x 32 = 12,443,648次权重个数与输出特征图大小假如previous layer的大小为28x28x192，那么上面网络的权重个数为：1 x 1 x

评价指标Inception Score（IS）计算这个 score 需要用到 Inception Net-V3，评价一个生成模型，需要考虑两个方面的性能：是否清晰。是否多样。生成的图片不够清晰，说明生成模型表现欠佳。而如果生成的图片不够多样的话，只能生成有限的几种图片，即陷入了 modecollapse，也说明模型表现欠佳，如下图只学到了其中的一个分布。IS 的评价方法如下：把生成的图片 x 输入

传统方法User guide: contents — metric-learn 0.6.2 documentation深度学习基于深度学习的度量学习方法大都由两个部分组成：特征提取模块和距离度量模块。距离度量模块的任务是使同一类样本间的距离更靠近，而不同类样本间的距离更远离。这一模块更多的实现方法是改进损失函数，对模型的学习更加“赏罚分明”。基于正负样本对的方法也可以称为基于对比学习的方法，抽出正