Update markdown show problem

深度学习/神经网络压缩算法总结.md

@@ -114,7 +114,7 @@ def residual_unit(data, num_filter, stride, dim_match, num_bits=1):
 
 + 直接根据权重的正负进行二值化：$x^{b}=sign(x)$。符号函数 `sign(x)` 定义如下：
 $$
-sign(x) = \left \{\begin{matrix}
+sign(x) = \left\{ \begin{matrix}
 -1 & x < 0 \\ 
 0 & x = 0 \\ 
 1 & x > 0
@@ -130,7 +130,7 @@ $$
 ### 4.3，二值连接算法改进
 
 之前的二值连接算法只对权重进行了二值化，但是网络的中间输出值依然是单精度的，于是 Rastegari 等人对此进行了改进，提出用**单精度对角阵与二值矩阵之积来近似表示原矩阵的算法**，以提升二值网络的分类性能，弥补二值网络在精度上弱势。该算法将原卷积运算分解为如下过程：
-$$I*W\approx (I*B)\alpha$$
+$$I \times W\approx (I \times B)\alpha$$
 
 其中 $I\epsilon \mathbb{R}^{c\times w_{in}\times h_{in}}$ 为该层的输入张量，$I \epsilon \mathbb{R}^{c\times w\times h}$ 为该层的一个滤波器，$B=sign(W)\epsilon \{+1, -1\}^{c \times w\times h}$为该滤波器所对应的二值权重。