一、卷积与全连接比较1 二、卷积的过程与计算1 三、卷积与全连接的参数量、运算量 参考：卷积神经网络模型参数量和运算量 四、tensor的shape2 TensorFlow：NxWxHxC（channel last） pytorch：NxCxWxH https://nndl.github.io/ ↩︎ ↩︎ https://blog.csdn.net/qq_3962

小蓝有一个超大的仓库，可以摆放很多货物。 现在，小蓝有 n 箱货物要摆放在仓库，每箱货物都是规则的正方体。小蓝规定了长、宽、高三个互相垂直的方向，每箱货物的边都必须严格平行于长、宽、高。 小蓝希望所有的货物最终摆成一个大的长方体。即在长、宽、高的方向上分别堆 L、W、H 的货物,满足 n=L×W×H。 给定 n，请问有多少种堆放货物的方案满足要求。 例如，当 n=4 时，有以下 6种方案：

小蓝有一个超大的仓库，可以摆放很多货物。 现在，小蓝有 n 箱货物要摆放在仓库，每箱货物都是规则的正方体。小蓝规定了长、宽、高三个互相垂直的方向，每箱货物的边都必须严格平行于长、宽、高。 小蓝希望所有的货物最终摆成一个大的长方体。即在长、宽、高的方向上分别堆 L、W、H 的货物,满足 n=L×W×H。 给定 n，请问有多少种堆放货物的方案满足要求。 例如，当 n=4 时，有以下 6种方案：

N点DFT共需要N2次复数乘法和N(N-1)次复数加法，共4N2次实数乘法和(2N2+2N*(N-1))次实数加法。当N很大时，这是一个非常大的计算量。 利用FFT算法之后，任何一个N为2的整数幂（即N= 2M）的DFT，都可以通过M次分解，最后成为2点的DFT来计算。M次分解构成了从x(n)到X(k)的M级迭代计算，每级由N/2个蝶形运算组成。完成一个蝶形计算需一次乘