1 靈活的改變資料維度 減少參數量和計算量
改變資料維度這個很常見 比如輸入乙個（28,28.256）的特徵圖 通過 乙個（1，1，256，16）的卷積核卷積以後（假設步長是1p=0 ） 那麼結果就是變成乙個（28，28，16）的特徵圖 不用多解釋了！
簡單解釋一下上圖 首先上面的圖是正常的 參數量簡單計算一下
s =1, p =
2 首先輸入是28*28
*256的特徵圖
所以卷積核參數量為 5*5
*256 一共有32 個 參數量是 5*5
*256*32
因為步長是1 所以28
*28的特徵圖 需要卷積核遍歷 28
*28 次 所以一共次參數量是 28*28
*5*5
*256*32
=160.5m
首先同樣輸入是 28*28
*256
s =1 p =
0這次第一次是卷積核1
*1 的 16個 那麼參數量是1*1
*256*16
然後 輸入是乙個28*28
*16的特徵圖
s =1 p =
2 然後通過卷積核大小是5
*5 一共32個 那麼參數量是5*5
*16*32
輸出結果和上面一樣都是28*28
*32的特徵圖 但是通過1
*1 卷積核提維降低維度以後 參數量之和只有13.25m l
如上圖可知 我們只需要用4096個同樣維度大小的卷積核 在乘以1000個同特徵圖大小維度一樣的卷積核 就可以做到全連線層同樣的效果 他們是相互等價的
但是這種全連線或者類似全連線層會導致喪失空間資訊 不利於物體檢測
yolov4 的 1x1 卷積是思路
但是1x1 的卷積核改變資料維度可以保留 特徵圖的空間特徵
找乙個網圖說的很清楚
這樣乙個1*1 的卷積核 既不改變特徵圖的大小又保留的空間特徵
深度學習 1x1卷積核
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...
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 ...