1x1卷積的作用
在架構內容設計方面，其中乙個比較有幫助的想法是使用1x1的卷積。
這裡用1x1的過濾器進行卷積似乎用處不大。只是對輸入矩陣乘以某個數字。
但這僅僅是對於6x6x1的通道來說1x1卷積效果不佳。
如果是一張6x6x32的，那麼使用1x1過濾器進行卷積效果更好。具體來說 1x1卷積所要實現的功能是遍歷這36個單元格，計算左圖中32個數字和過濾器中32個數字的元素智慧型乘積，然後應用relu非線性函式。
我們以其中乙個單元格為例，它是這個輸入層上的某個切片，用這36個數字乘以這個輸入層上1x1的切片，得到乙個實數，像這樣把它畫在輸出中，這個1x1x32過濾器中的32個數字就可以這樣理解，乙個神經元的輸入是32個數字，乘以相同高度和寬度上某個切片上的32個數字。這32個數字有不同的通道。
一般來說，如果過濾器不止乙個，而是多個，就好像有多個輸入單元，其輸入內容為乙個切片上的所有數字，輸出結果是6x6x過濾器的數量。
所以1x1卷積可以從根本上理解為，這32個單元都應用了乙個全接連神經網路
全連線層的作用是輸入32個數字，和過濾器數量標記為nc[l+1]，在36個單元上重複此過程，輸出結果是6x6x過濾器數量，以便在輸入層上實施乙個非平凡計算。這種方法通常稱為1x1卷積，有時也稱為network in network， 在林敏，陳強和楊學成的**中有詳細描述。舉個1x1卷積的例子，相信對大家有所幫助，這是它的乙個應用。
假設這是乙個28x28x192的輸入層，你可以使用池化層壓縮它的高度和寬度，但是通道數量很大，該如何把它壓縮為28x28x32維度的層呢，你可以用32個大小為1x1的過濾器，嚴格來講，每個過濾器的大小都是1x1x192維，因為過濾器中的通道數量必須與輸入層中的通道數保持一致，因此使用32個過濾器，輸出層為28x28x32. 這就是壓縮nc的方法。然而對於池化層，我們只是壓縮了這些層的高度和寬度。接下來我們看看在某些網路中，1x1卷積是如何壓縮通道數量並減少計算的。當然，若果你想保持通道數192不變這也是可行的，1x1卷積只是新增了非線性函式，當然也可以讓網路學習更複雜的函式。比如，我們再新增一層，其輸入為28x28x192，輸出為28x28x192，1x1卷積層就是這樣實現了一些重要功能，他給神經網路新增了乙個非線性函式，從而減少或保持輸入層中的通道數不變，當然如果你願意，也可以增加通道數量。
總結：1x1卷積具有全連線的作用，新增了非線性，並且可以公升維或者降維。
參考：吳恩達卷積課程
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 ...
1x1卷積核的作用
參考知乎一篇文章h一文讀懂卷積神經網路中的1x1卷積核 撿點核心做下記錄 降維 公升維 由於 1 1 並不會改變 height 和 width，改變通道的第乙個最直觀的結果，就是可以將原本的資料量進行增加或者減少。這裡看其他文章或者部落格中都稱之為公升維 降維。但我覺得維度並沒有改變，改變的只是 h...
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...