数学kernel是什么

A. kernel是什么意思

kernel意思：

n.核心；仁；中心；精髓

一、读音：英['kɜːnl]；美['kɜːrnl]

二、例句：

We must get at the kernel of the problem.

我们必须抓住问题的核心。

三、词汇用法/搭配：

1、kernel sentence核心句

2、kernel software核心软件

3、convolution kernel[计] 卷积核

(1)数学kernel是什么扩展阅读：

近义词：core

一、意思：

n.核心；果心；要点

vt.挖去果核

二、读音：英[kɔː(r)]；美[kɔːr]

三、例句：

The core of our appeal is freedom of speech.

我们的要求的核心是言论自由。

四、词汇用法/搭配：

1、get to the core触及核心

2、hard core碎砖石,硬果核

B. 核函数的定义和作用是什么

核函数的作用就是隐含着一个从低维空间到高维空间的映射，而这个映射可以把低维空间中线性不可分的两类点变成线性可分的。当然，我举的这个具体例子强烈地依赖于数据在原始空间中的位置。事实中使用的核函数往往比这个例子复杂得多。它们对应的映射并不一定能够显式地表达出来；它们映射到的高维空间的维数也比我举的例子（三维）高得多，甚至是无穷维的。这样，就可以期待原来并不线性可分的两类点变成线性可分的了。核函数要满足的条件称为Mercer's condition。由于我以应用SVM为主，对它的理论并不很了解，就不阐述什么了。使用SVM的很多人甚至都不知道这个条件，也不关心它；有些不满足该条件的函数也被拿来当核函数用。

C. 数学缩写dim im ker分别表示什么

DIM Dimension
IM Image (mathematics)
KER Kernel (mathematics)

D. 是关于Kernel和image的数学。。

设V为所有低于2阶的多项式所组成的多项式空间。考虑一个从V空间到二位实空间（直角坐标平面）的线性映射可以满足：映射结果为多项式f(x)在x=-1和1处的一对取值。比如T(x^2)=((-1)^2,1^2)=(1,1)。所以你的理解是对的。

E. 《普林斯顿数学指引》读书笔记——I.3 一些基本的数学定义（上）

对于数的现代视角是，最好不要把数当作独立个体，而应视为一个更大的整体的一部分，这个整体称之为数系。数系最突出的特点是，可以在其上完成算术运算，包括加、减、乘、除、开方。这种关于数的视角是富有成果的，它是通向抽象代数的跳板。

注：中文版将“indivially”译为“孤立地”不太准确，另外“view”翻译成“视角”要比“观点”更自然。

当然，“1, 2, 3, 4 ……”这样的描述，并不算是正式的定义，但它的确提出了下面这个我们视为理所当然的对自然数的描述：

(i) 给定一个自然数n，后面必然跟着一个自然数n+1，称为n的后继者；
(ii) 一个从1开始，且随后每一个数是前一个数的后继者的数列，会正好包含每个自然数各一次，且不再包含其他东西。

这个描述被浓缩为 佩亚诺公理 。

所有整数——正负整数与零——的集合，常记作Z（德文表示数的单词“Zahlen,”的第一个字母），在这个属性里，减法总是可能的：即如果m和n都是整数，那么m-n也是。

按：上文提到，如果只需要计数，那整数就够了，需要有理数的其中一个理由是测量的需要，包括长度、重量、温度和速度等。

一个为有理数的更为理论化的合理性论证，是它们组成了一个除法总是可能的数系（除了除以零），这个事实，以及一些算术运算的基本性质，意味着Q是一个域。

注：这里把“justification”译作“合理性论证”，其实也可以更简单地译为“依据”。因为这里作者其实是想要为引入没那么自然的数系寻找依据，解释其必要性和合理性。

由于实数与（逐次逼近的）极限过程紧密地联系着，对实数系真正的领会就依赖于对数学分析的理解。

注：中文版将“successive approximations”译为“逐步逼近”，但其对应的数学术语的常见译法是“逐次逼近”，其英文解释“A method for estimating the value of an unknown quantity by repeated comparison to a sequence of known quantities”里的关键词也是“repeated”而非“graally”，因此此处不应用“逐步”。

按：这里下一小节讨论了复数，但没有什么特别的洞见，所以没有摘录。要真正理解复数，需要理解 Geometric Algebra ，回头会单独整理笔记。

按：这节简要介绍了群、域、向量空间和环。

如果S是任意的数学结构，S的对称就是一个由S到其自身的、能保持这个结构的函数。例如，当S是一个几何图形时，则应该得到保持的数学结构（之一），就是其上任意两点的距离。

与几何的情况进行类比，并把任意可以保持结构的函数都当作某种对称，这样做是富有成果的。由于其极度的通用性，对称是一个在数学里无处不在的概念；而且只要哪里有了对称出现，像群这样的概念就会如影随形。

虽然好几个数域都是群，但只把他们看成群，就忽略了其代数结构很大的一部分。尤其是群里面只有一个二元运算，标准的数域却有两个，即加法和乘法（由它们还可以得到其他附加的运算，比如减法和除法）。

在定义数学结构的时候，有一个很一般的原理：如果一个数学定义，可以分成几个部分，则除非这些部分可以相互作用，否则这个定义就没有什么意思（仅仅相当于分成的几个部分对应的原来就定义过的数学结构而已）。域的加法和乘法，就是这样的两个部分，而迄今为止提到的所有性质，并未把它们以某种方式联系起来。然而，最后的一个性质，即分配律，做到了这一点，从而给了域独有的特性。

除了Q、R、C之外，还有一个引人注目的基础域，即Fp。它是整数对素数p取模组成的集合，其中的加法、减法，也被定义为对p取模，详见 模算术 。

有一个重要的过程与域有关，这个过程称之为域的扩张，它使我们能够从原来的域构造出新的域来。其基本的思想就是从一个域F开始，找一个在F中没有根的多项式P，然后把一个新的元素附加到F上，约定这个元素就是P的根。这样的过程，会产生一个扩张的域，它会包含，所有可以用这个根与F中的元素通过加法和乘法产生出来所有“数”。

评：这段话从抽象的角度，描述了带来整个复数域的i（定义为x^2+1这个多项式的根）的诞生过程。

引入域的另外一个重要依据是，它们可以用来构成向量空间。

向量空间就是一个线性组合的概念在其中有意义的数学结构。

关于标量还有最后一个说明。之前，标量被定义为构造向量的线性组合时所用的实数。其实，我们用标量所做的计算，尤其是在解联立方程时，在更广泛的语境下也可以做。真正重要的是，（用于计算的“数”）必须属于一个域，所以Q、R、C都可以用作标量的系统，更一般的域也是可以的。如果一个向量空间V的标量来自域F，我们就说V是域F上的向量空间，这个推广重要而且有用，可见 代数数 。

粗略的说，环一种具备域的几乎所有，但不是所有性质的代数结构。尤其是，对乘法运算的要求就没那么严格，最重要的放松之处是不要求环中的非零元具有乘法逆，而且有时乘法甚至不被要求是可交换的。

有了例子，回答一些基本的问题变得容易不少。如果我们有了一个关于某个给定类型的结构的一般命题，而又想知道它是否正确，这时，如果能够用诸多个案来检验这个命题，会很有帮助。如果这个命题通过了所有的检验，就有了有利于这个命题的证据。如果运气好，我们也许还能看出这个命题为什么是正确的。另外，也可能发现这个命题对于你进行检验的每一个例子都是对的，但是都仅仅是因为所用例子本身的特别之处，这个时候我们就会知道，在寻找反例时需要怎样避免这些特别之处。如果确实找到了一个反例，那么这个一般的命题当然不成立了，然而有可能这个命题在经过某些修改以后，依然成立并且有用。在这种情况下，反例就会帮助我们找到适当的修改。

虽然 Q(i)包含在C中，但它在某些很重要的角度上是一个更有意思的域。为什么会这样子呢？人们肯定以为如果把一个对象的绝大部分都拿走了，它不可能变得更有意思。然而进一步想象一下，就会发现这确实是可能的：例如所有素数的集合会拥有某种特别迷人的、而不可能为所有正整数的集合所具备的特性。

……而且在，许多类似于Q(i)的域中，我们可以问哪些多项式方程有解。这在后来被证明是一个非常深刻而且重要的问题，但在更大的域C中，这样的问题根本就不会出现（因为 代数的基本定理 告诉我们，每一个多项式方程在C内都有解）。

我们现在要用一种乍一看非常奇怪的方法，来把Q[x]（具有有理数系数的多项式的集合）变成一个域，方法就是，认为

等价于零多项式。换句话说，一旦一个多项式里面有X^3的话，我们就可以把它换成x+1，并且认为这样得出的新多项式等价于原来的多项式。

所有不等价于零的多项式，都在这个广义的意义下具有乘法逆。

我们只是简单地规定将两个等价的多项式视为相等，并把得到的数学结构记为Q[x]/(x^3 - x - 1)，这个结构结果被证明是一个域，而且还是个重要的域，因为它是包含Q且拥有多项式x^3 - x - 1的根的最小的域。

按：上面这里其实就是对有理数的约分的含义做了推广。

我们定义只要 ad = bc 那么 ab 和 cd 这两个表达式就等价，并且我们将等价的表达式看作在标记同一个数。注意这些表达式可能的确不一样，但我们将其视为对同一个对象的标记。如果我们这样做，在我们定义函数和二元运算的时候就要十分小心。

一般而言，最起码要验证，如果输入的是等价的对象，（函数或二元运算）输出的也应该是等价的对象。

这里为什么我们使用了“商”这个词？商通常是指当用某个数去分割（divide，在英语里，既有除的意思，也有分割的意思）另外一个数时所得到的东西。为了理解这个比喻，我们考虑21除以3，我们可以认为，这是把21个对象分成了3个对象一组，然后问一共可以分得多少个组。

按：上文将R^2平面上的点(x, y)和（x+1，y）定义成等价并看成相同，就会得到柱面（cylinder ），然后又进一步将(x, y)和(x, y+1)定义成等价并看成相同，就会得到 环面（torus） 。

我们会发现，这个柱面自己卷了起来，如果往上走了一段为1的距离，就会回到出发点。但这就是一个环面：一个被折叠成自己的柱面（然而，这不是定义环面唯一的方法，例如还可以把它定义为两个圆周的乘积）。

现代几何中的许多重要的对象，都是用商来定义的。经常有这样的情况，一个对象很大，但同时等价关系又很宽松，也就是一个对象，很容易就与另外一个对象等价了，在这个情况下，真正不同的对象的数目可能很小。

通常是从一个大的令人绝望而又极为复杂的对象出发，但将绝大部份的乱七八糟的部分都分出来除掉了（divides out），结果得到的商结构足够简单，而且能够处理，与此同时，依旧能传递重要的信息。 基本群 、拓扑空间的 同调群 与 上同调群 都是好例子， 模空间 甚至是一个更好的例子。

一个保持结构的函数就称为一个同态（homomorphism）。

两个结构之间的同构（isomorphism ）就是这样的一种同态：同态f : X → Y的逆g : Y → X也是一个同态。

一个同构就是同时也是双射的同态。也就是说，f是X和Y之间的一一对应，并且保持了结构。

虽然很基础，但还是将[I.2 §2.2]中涉及双射的段落摘录如下：

对于一个函数f : A → B，如果只要当 f(x)和f(x')不同的时候，x和x'总不相同，我们就总是可以消除函数的效果（使f(x)变回x），这时，f被称之为一个单射（injection）。

评：单射就是（B中的元素）只要被映射过来，就是（从A）唯一地（即“单”）映射过来（即“射”）。

另一方面，只要B中的每一个元素y都等于A中某个元素x的f(x)，我们就总能找到一个能被f消除效果的函数g，这时f被称为一个满射（surjection）。

评：满射就是（B中的元素）每个（即“满”）都能（从A）映射过来（即“射”）。

一个既是单射又是满射的函数f，就是一个双射（bijection）。双射正是那些有逆的函数。

评：满射解决的是“有”的问题，单射解决的是“只有”的问题，所以双射就是“有且只有”，所以B中每个元素都能找到映射的来源，而且来源还唯一，这时映射的这个唯一来源，就是逆。所以“双射”里的“双”字更多是“成双成对”的意思，更好的译法或许是“对射”。费了这些口舌，就是想解释清楚这些译法都是什么意思，当年学的时候，挺烦这些不好记的中文译名的。英文术语里，in-前缀代表“进入、里内”，sur-前缀代表“在…..之上” ，其实也不是太好理解。

一般地说，两个代数结构X和Y间若有同构的函数关系，就说X同构于Y。同构中的iso和morphic分别源自希腊单词“相同”和“形状”。粗略地说，同构这个词的意思就是“在所有本质的方面都相同”。算作本质的正是代数结果，而绝对不属于本质的，就是具有这种结构的对象自身的本性。

X的自同构是，一个能够保持结构的、到X自身的函数。两个自同构的复合显然还是一个自同构，于是代数结构X的所有自同构可以形成一个群。虽然作为个体的自同构并不那么有趣，自同构的群，却很有意思。这类群往往蕴含了我们关于一个结构真正想知道的信息，这些信息往往过于复杂，无法直接分析。

f把每一个有理数都变成自身，那f(√ 2)会是多少呢？从 f(√ 2)f (√ 2) = f(√ 2 · √ 2) = f(2) = 2可知f(√ 2)是√ 2或− √ 2。究竟是哪一个？其实，两种选择都是可能的：一个自同构是平凡的：f(a + b √ 2) = a + b √ 2；另外一个更为有趣：f(a + b √ 2) = a − b √ 2。这个观察说明了，两个平方根并没有代数上的区别。

与部分域扩张相关联的自同构群被称为 伽罗瓦群 ，而且是对五次方程的不可解性而言不可或缺的成分。同时它也是代数数论相当大一部分内容，详见 代数数 。

注：中文版有一段英文电子版中没有的、关于同态关系中的核（kernel）的讨论：核是X中所有使得f(x)为Y中的恒等元的那些x的集合，是X的有趣的子结构；环同态的核必然是一个理想[III.81]。

。

像这样的定义可能难以接受，因为它们涉及到三个层次的复杂性。在底层有两个实数，可以表示为x和y。中间一层有一些函数，如f、u和Tf，它们都是将实数（或实数对）映射为实数。最顶层是另外一个函数T，但它所转换映射的对象本身就是函数：它将一个函数f变成另外一个函数Tf。这个例子说明了如下思维方式的重要性：将函数看作单一和基础的东西而非一个转换的过程。（参见[I.2 §2.2]中对此的讨论）另外一个有助于理清这个定义的点是：二元函数u(x,y)的角色与矩阵a_ij极其类似。（矩阵a_ij自己也可以被看作两个整数变量i和j的函数）

关于无限空间之间的线性映射，可以参考 算子代数 和 线性算子

在许多情况下，线性映射的本征向量与本征值，包含了关于这个线性映射我们所有需要了解的信息，而且是以非常方便的形式。线性映射出现在很多情境中，这些情境中出现的问题往往正是关于本征向量和本征值的问题。

指数函数 e^x 的导数是其自身。换句话说，如果f(x)=e^x，那么f'(x)=f(x)。这样微分运算就可以被看作一种线性映射。如果f '(x) = f(x)，那么这个映射使函数f保持不变，这说明f是一个具备本征值1的本征向量。更一般的，如果g(x) = e^(λx)，那么g'(x) = λ e^(λx) = λg(x)，这样g就是微分映射的一个本征向量，其本征值为λ。许多线性微分方程可以被视为在求用微分运算定义的线性映射的本征向量。

F. 机器学习里的 kernel 是指什么

Kernel 操作系统内核 操作系统内核是指大多数操作系统的核心部分。它由操作系统中用于管理存储器、文件、外设和系统资源的那些部分组成。操作系统内核通常运行进程，并提供进程间的通信。 下面列出了它的一些核心功能：事件的调度和同步。进程间的通信(消息传递)。存储器管理。进程管理。 输入输出例程的管理。Carnegie-Mellon大学开发的Mach操作系统采用客户机/服务器体系结构，它包含一个实现最少功能的、而且相对而言较小的微内核。它管理设备驱动程序、消息、线程和虚拟存储器。其他功能被模块化，通过使用进程间通信机制与操作系统内核通信。远程过程调用(RPC)用于与其他系统上运行的进程进行通信。 在DOS操作系统，操作系统内核被认为是界于基本输入输出系统(BIOS)和应用软件之间的那部分。应用命令通过操作系统内核传递到BIOS，然后再传送到相关硬件。

G. 单词，kernel 与 core 的区别

呵呵，我喜欢思考并回答您提出的这种有点深度的问题：
1、kernel这个词是kern字根加-el后缀复合（会意）而成的，kern这个拉丁字根到了英语中被“正字”后变成了古英语中的corn并一直沿用至今（这就是为什么很多英语中的c可以发k音的主要原因），而-el后缀是-et/-ette/-let的变形（类似于sup-/suf-/sur-等是sub-的变形）表示的是“形状和性质完全一样，但形体尺寸更小的东西”，比如如book表示书本，booklet表示小册子，statue表示雕像，而statuette表示小雕像，lock表示锁，locket表示像锁一样的小形项链坠子。

如此就很容易明白kernel指的是小个的corn，或者谷物中心可吃的部分，它侧重的是“可吃性”（本质上是小个）因为它本身就是food或seed，既是可吃的，也是可做种的。

2、core是拉丁字根cor在英语中正字后的书写形式，因为英语中开音节的字后字母e不发音。而cor是类似于英文heart的意思，所以core指的是植物果实的中心（果心，多数是空心，不能吃的），它和heart的区别在于：heart的本义只的是动物的心脏，core的本义指的是植物的果心。

不知道这么详细的分析和阐述能否让您满意，呵呵。

H. 机器学习里的kernel是指什么

先给个定义：核函数K（kernel function）就是指K(x, y) = <f(x), f(y)>，其中x和y是n维的输入值，f(•) 是从n维到m维的映射（通常而言，m>>n）。<x, y>是x和y的内积（inner proct），严格来说应该叫欧式空间的标准内积，也就是很多人常说的点积。kernel其实就是帮我们省去在高维空间里进行繁琐计算的“简便运算法”。甚至，它能解决无限维空间无法计算的问题！因为有时f(•)会把n维空间映射到无限维空间去，对此我们常常束手无策，除非是用kernel，尤其是RBF kernel（K(x,y) = exp(-||x-y||^2) ）。在有kernel之前，做machine learning的典型的流程应该是：data --> features --> learning algorithm，但kernel给我们提供了一个alternative，那就是，我们不必定义从data到feature的映射函数，而是可以直接kernel(data) --> learning algorithm，也可以是data --> features --> kernel(features) --> learning algorithm。所以虽然我们看到kernel常被应用在SVM（SVM中的kernel应该是后一种用法，后文再说），但其实要用到内积的learning algorithm都可以使用kernel。“用到内积的learning algorithm”其实并不少见，不信你可以想一想最普通不过的linear classifier/regressor有没有一个步骤是计算特征向量（feature vectors）。简单说就是一些函数，这些函数在某些领域具有特定的功能，而且性能比较好，就称为核（函数）了，svm中有核（函数），卷积网络中的filter有时也称为核。初学SVM时常常可能对kernel有一个误读，那就是误以为是kernel使得低维空间的点投射到高位空间后实现了线性可分。其实不然。这是把kernel和feature space transformation混为了一谈。（这个错误其实很蠢，只要你把SVM从头到尾认真推导一遍就不会犯我这个错。）还是简单回顾一下吧。SVM就是 y = w'•φ(x) + b，其中φ(x)是特征向量（feature vectors），并且是φ(x)使得数据从低维投射到高位空间后实现了线性可分。而kernel是在解对偶问题的最优化问题时，能够使φ(x)更方便地计算出来，特别是φ(x)维数很高的时候。

I. Dirichlet kernel是什么意思

Dirichlet kernel
狄利克雷核;
例句：
1.The kernel in the first kind integral equation arising from exterior Dirichlet problem of Helmholtz equation has a logarithmic singularity.
通过Helmholtz方程外Dirichlet问题产生的第一类积分方程的核具有对数奇性。
2.The kernel in the first integral equation arising from Dirichlet problem of Helmholtz equation has a logarithmic singularity and the solution for the integral equation has r-1/ 2\| singularity at the endpoints of the open arc.
由Helmholtz方程Dirichlet问题产生的第一类积分方程的核具有对数奇性，并且积分方程的解在开弧端点具有r－1／2奇性。

J. Random Field Theory指的是什么Gaussian kernel指的是什么 谢谢~

Random Field Theory随机域理论， 随机场理论
Gaussian kernel高斯核
高斯核函数
数学表示
所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。 最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/2*σ^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。
计算机视觉中的作用
在计算机视觉中，有时也简称为高斯函数。高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用．这些性质表明，高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． （2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的像素点仍然有很大作用，则平滑运算会使图像失真． （3）高斯函数的付立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(噪声和细纹理)．而所希望的图像特征（如边缘），既含有低频分量，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号． （4）高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷． （5）由于高斯函数的可分离性，大高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长．
定义 所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。
常用公式 最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。