convo_1的输入为归一化的数字图像，其中包含32个4x4的卷积核，步长为1，得到的输出 shape 为 ?x16x16x32.里面的？是什么意思

在卷积神经网络中，通常采用批量处理的方式进行训练，每次输入一批数据进行前向传播和反向传播。在这种情况下，输入数据的数量是不固定的，因此卷积层的输出shape中的“？”表示输入数据的数量，也称为样本数或批量大小。对于输入为归一化的数字图像，如果一次输入32张图像，那么卷积层的输出shape为32x16x16x32，其中32表示一次输入的样本数，16x16表示每个样本经过卷积操作后的特征图大小，32表示卷积核的数量，即输出通道数。

相关问题

convo_1 = convolutional_layer(x, shape=[4, 4, 1, 32], name="Convolutional_1")步长为多少

在这个代码片段中，无法确定卷积操作的步长，因为在卷积操作中，步长通常是通过在代码中设置卷积操作的参数来指定的，而你没有提供这些参数的信息。一般来说，在使用TensorFlow或其他深度学习框架时，卷积层的步长可以通过设置stride参数来指定，例如stride=[1, 1, 1, 1]表示在所有维度上都采用1个步长。因此，如果你想知道这个卷积操作的步长是多少，需要查看convolutional_layer函数的实现代码或者在调用这个函数时传递stride参数。

以下代码什么意思Poly_Convo_ex1(f.p_array,k,bigF,N);

这段代码可能是在进行多项式交互卷积的计算，其中：

- `f.p_array` 是一个包含多项式系数的数组；
- `k` 是多项式卷积的卷积核，也是一个多项式系数数组；
- `bigF` 是存储结果的数组；
- `N` 是多项式的长度。

该函数的作用是将两个多项式进行卷积计算，并将结果存储在 `bigF` 数组中。具体实现可能涉及到使用 FFT 或者 NTT 等算法进行优化。