卷積神經網路中卷積核的作用是提取影象更高維的特徵，乙個卷積核代表一種特徵提取方式，對應產生乙個特徵圖，卷積核的尺寸對應感受野的大小。
經典的卷積示意圖如下：
5*5的影象使用3*3的卷積核進行卷積，結果產生3*3（5-3+1）的特徵影象。
卷積核的大小一般是（2n+1）*(2n+1)的奇數乘奇數大小（n>=1），最常用的有3*3,5*5,7*7的。之所有使用奇數*奇數而不是偶數*偶數大小的，主要原因有兩點：
1. 一般情況下，使用n*n大小的卷積核對大小為n*n的影象卷積，結果影象尺寸縮小為（n-n+1），這種卷積操作的都是影象上真實的畫素，不需要對影象進行擴充，也叫有效補白（valid padding）。
另一種補白方式是相同補白（same padding），在卷積核對影象執行相同補白（same padding）卷積時，要求卷積後影象大小跟原影象大小保持一致，這就需要提前給原影象做padding（補白）操作，即給影象增加額外的空白，增大影象尺寸使得卷積後大小為原影象大小，padding操作示意圖如下：
在相同補白（same padding）模式下，需要補充的畫素大小是n-（n-n+1）=n-1個，這裡的n表示的是卷積核大小，如果n為奇數，則n-1為偶數，補得這n-1個畫素可以在影象兩側對稱分布，如果使用偶數的卷積核，n-1為奇數，無法在影象兩側對稱分布。
2. 奇數卷積核有中心點，可以方便的確定位置，而偶數的卷積核不存在絕對的中心點。
在殘差網路的bootleneck殘差模組和googlenet的inception模組裡出現了1*1的卷積核：
與（2n+1）*（2n+1）的卷積核提取影象特徵順便降低影象尺寸不同，1*1的卷積核的作用是提公升或者降低特徵（個數）的維度，而不改變影象的寬高。這裡的維度是指影象的通道數（厚度，如rgb影象的通道數是3， 10個單通道的特徵圖一起組成通道數是10）。
例如經過某次卷積後，得到w*h*10的特徵圖，這裡通道數是10，如果需要降維成w*h*6，即把10個特徵圖減少到6個。這就需要使用6組，每組10個的1*1的卷積核來實現。10個1*1的卷積核和上一層w*h*10的特徵圖卷積，得到乙個w*h*1的特徵圖，使用6組這樣的1*1卷積核，就可以得到w*h*6維度的特徵圖，實現了特徵圖的壓縮，而不改變影象的寬高。這裡一共有6*10=60個可訓練引數。
同理，使用1*1卷積核也可以實現特徵圖公升維。
從影象處理的角度看1*1的卷積操作，可以把它理解成是把n個影象按n個不同的係數融合的操作，需要多少個特徵圖就融合多少次。
卷積神經網路 1 1 卷積核
卷積神經網路中卷積核的作用是提取影象更高維的特徵，乙個卷積核代表一種特徵提取方式，對應產生乙個特徵圖，卷積核的尺寸對應感受野的大小。經典的卷積示意圖如下 5 5的影象使用3 3的卷積核進行卷積，結果產生3 3 5 3 1 的特徵影象。卷積核的大小一般是 2n 1 2n 1 的奇數乘奇數大小 n 1 ...
卷積神經網路中用1 1 卷積
假設我有乙個轉換層輸出 n，形張量 n批量大小 f是卷積濾波器的數量 是空間尺寸 假設將此輸出饋入v1的轉換層1x1過濾器，零填充和跨度1。然後此1x1轉換層的輸出將具有形狀 1 h 因此1x1轉換濾鏡可用於更改濾鏡空間中的尺寸。如果?1 那麼我們在增加維數，如果?1 我們正在降低維度，即過濾器維度...
卷積神經網路中1 1卷積核的用處
最近在看google的inception resnet以及一些最新的cnn網路時發現其中常常用到1 1的卷積核，一直不太明白這樣不就是複製前一層網路資訊嗎？後來發現1 1卷積真的很有用。對於一張28 28 1這樣的單通道，其的確沒什麼作用。但是如果對於28 28 16中多通道，使用6個1 1卷積核之...