[1312.4400] network in network （如果1×1卷積核接在普通的卷積層後面，配合啟用函式，即可實現network in network的結構）
／1x1卷積核到底有什麼作用呢？／關於1*1卷積核的理解／如何理解卷積神經網路中的1*1卷積
每當我討論或展示
googlenet架構時
，都會出現乙個問題 -
「為什麼1x1卷積？它不是多餘的？
左：**與3x3大小的核心進行卷積**右：**與核心大小為1x1的卷積**
最簡單的解釋是1x1卷積導致維度簡化。
例如，200 x 200的影象有50個與20個1x1濾鏡卷積的特徵會導致200 x 200 x 20的大小。但是，再次，這是在卷積神經網路中做降維的最好方法嗎？
效率與效率有什麼關係？
儘管1x1卷積是一種「特徵池」技術，但它不僅僅是對特定層的各種通道/特徵對映進行特徵彙總。
1x1卷積在過濾器空間中像座標依賴變換一樣起作用[ 1]。
這裡需要注意的是，這種轉換是嚴格線性的，但在1x1卷積的大多數應用中，它成功的是像relu這樣的非線性啟用層。
這種轉換是通過（隨機）梯度下降來學習的。
但是乙個重要的區別是，由於較小的核心大小（1x1），它會受到較少的過度擬合影響。
在這篇題為「
network in network」的
文章中首先介紹了逐一卷積
。它用乙個較小的感知器層代替少數濾波器，混合了1x1和3x3的卷積。
從某種意義上說，它可以被看作是「走得更遠」而不是「更深」，但是應該指出的是，在機器學習術語中，「走向廣泛」往往意味著在訓練中增加更多資料。
1x1（x f）卷積的組合在數學上等同於多層感知器。[ 2]。
初始模組
在googlenet架構中，1x1卷積用於兩個目的
以下是**的摘要，闡述了以上幾點：
googlenet中的1x1卷積
從右邊的影象可以看出，1×1卷積（黃色）特別用於3×3和5×5卷積之前，以減小尺寸。
應該注意的是，兩步卷積運算總是可以合併為乙個，但在這種情況下以及在大多數其他深度學習網路中，卷積之後是非線性啟用，因此卷積不再是線性運算子並且不能組合。
在設計這樣乙個網路時，重要的是要注意，初始卷積核的大小應該大於1x1，以便具有能夠捕獲本地空間資訊的接受域。
根據nin**，1x1卷積等效於跨通道引數化匯聚層。
從** - 「這種級聯跨通道引數池結構允許跨渠道資訊的複雜和可學習的互動」。
跨渠道資訊學習（級聯1×1卷積）受到生物啟發，因為人類視覺皮層具有調諧到不同方向的感受野（核心）。
例如不同的方向調整人類視覺皮層
**的感受野分布
使用這個美妙的**
生成的卷積gif影象
，1x1卷積和3x3卷積的更多影象可以在
這裡找到
深度學習 1x1卷積核的作用
問 發現很多網路使用了1x1卷積核，這能起到什麼作用呢？另外我一直覺得，1x1卷積核就是對輸入的乙個比例縮放，因為1x1卷積核只有乙個引數，這個核在輸入上滑動，就相當於給輸入資料乘以乙個係數。不知道我理解的是否正確 答2 我來說說我的理解，我認為1 1的卷積大概有兩個方面的作用吧 1.實現跨通道的互...
1X1卷積核作用
從nin 到googlenet mrsa net 都是用了這個，為什麼呢？發現很多網路使用了1x1卷積核，這能起到什麼作用呢？另外我一直覺得，1x1卷積核就是對輸入的乙個比例縮放，因為1x1卷積核只有乙個引數，這個核在輸入上滑動，就相當於給輸入資料乘以乙個係數。不知道我理解的是否正確。ruirui ...
詳解 1x1 卷積核
表面看來，1x1 卷積核似乎並不是真正的濾波器，它只是將影象的每個點都乘以 1 個權重，再加上 1個偏置 因此，通過 n個 1x1 卷積核，只需少量引數，就能將 m張影象變為 n張影象 如需將影象分為 n類，可在最後用 1x1 卷積層 將 m張影象轉換為 n張影象，在通過全域性池化變為 n個數字，送...