特征合并相关（concat）1、合并方法（1）FPN先用1*1卷积合并通道数，然后上采样，对应元素直接相加。如此合并之后为减少混叠效应，再用3*3卷积进行处理得到每一层级最后的特征图；除此之外，为不同层次的输出通道设置固定维数（因为所有层次都像传统的特征化图像金字塔一样使用共享的分类器/回归器）与此同时由于FPN不同级别特征图尺寸不同所以对应的锚框大小也不同（但是长宽比例都是相同的...

以前一直对卷积的通道运算有一个误解，今天搞懂了，记录一下。其实很简单，产生一个输出通道需要与输入通道数相当的卷积模板数（这个为一组产生一个输出通道），如下图所示对应的卷积模板处理对应的输入通道，以上面的例子来说，第一个卷积模板处理第一个输入通道产生一个h*w（输入特征的大小）的feature，如此会产生三个相同大小的feature，再把不同通道相同位置的元素相加产生一个输出通道。...

推荐博客https://blog.csdn.net/sinat_36618660/article/details/99650804https://blog.csdn.net/comway_Li/article/details/105016725https://blog.csdn.net/longe20111104/article/details/88397152

再推荐一篇感觉原理讲的很好的文章：https://blog.csdn.net/u014696921/article/details/53819512

本文旨在对神经网络基础概念进行介绍，然后对NLP领域的发展脉络继续粗述，包括对当前大模型基础的Transfomer结构的由来、发展及原理进行简单说明，让大家对神经网络（深度学习）和当前的大模型以及涉及的预训练、微调等概念有个基本认识，其中涉及的数据学推理等并不作为本文说明的重点，大家有兴趣可以自行研究。（PS：其中涉及一些的对NLP模型的理解，大家见仁见智）