如何理解跨通道的資訊互動和整合呢？首先還得從三維卷積的計算開始。
如圖所示，藍色部分是乙個7×7×n（維數）的feature map，黃色塊為3×3×3的卷積核，將卷積核對應到藍色特徵中可以得到乙個紅色陰影區域，舉個具體的例子：假設卷積核所有的引數都為1。
那麼紅色部分的數值=1×1+4×1+3×1+2×1+0×1+4×1+6×1+2×1+9×1+8×1+7×1+4×1+7×1+5×1+1×1+3×1+1×1+4×1+9×1+4×1+3×1+2×1+0×1+1×1+6×1+1×1+7×1+1×1=103
緊接著將紅色陰影區域向右移動乙個單位計算下乙個數值，並依次記錄下來，得到乙個新的特徵層（即綠色部分所示），可以發現綠色部分的尺寸變小了，如果需要保持特徵尺度不變，這個可以進行padding操作，即在外圈補充數值，可以補0也可以補1，以達到保持特徵尺寸不變的目的。
對於1×1×n大小的卷積核，經過上述的計算方法，可以把n個維度上的數字資訊線性組合起來，因此它實現了跨通道（跨維度）的資訊互動和整合。
根據卷積核的卷積次數，也可以認為是filter的個數，因為乙個卷積核就代表乙個filter，進行n次卷積就代表了執行n次濾波操作。完整的執行一輪卷積後會得到乙個新的feature map，將這n個feature map堆疊起來（這裡可以想象成乙個搭積木的過程），這樣就可以得到乙個n維的特徵。降維或公升維的過程可由下圖清晰的表述。（圖源自網路，侵刪）
圖左是完整執行了兩次濾波操作後的結果，圖右是完整執行了四次濾波的結果。其中降維的好處就是減少計算量，下面可以用乙個例子來證明：
上圖為未進行1×1卷積操作的結果，下圖為執行了1×1卷積操作的結果，可以發現他們最終得到的特徵都是30×40×55，但是他們的乘法計算量卻相差很大。
上圖的乘法計算量=5×5×200×（30×40）×55（個）=330000000
而下圖的乘法計算量是1×1×200×（30×40）×20（個）+5×5×20×（30×40）×55（個）=37800000
可以發現37800000/330000000=0.114545…，增加1*1卷積後顯著減少了計算量。這種結構也稱為瓶頸結構可能有人會問：這樣子大幅度的縮小模型的規模會不會影響到網路的效能？其實很多學者在**中都用事實證明了，只要合理構建瓶頸結構，既可以顯著縮小模型規模，又不會降低網路的效能，從而大量減少了計算，加快模型收斂。
1×1的卷積核，可以在保持feature map尺度不變的（即不損失解析度）的前提下大幅增加非線性特性（利用後接的非線性啟用函式），把網路做的很deep。
tip：乙個filter對應卷積後得到乙個feature map，不同的filter(不同的weight和bias)，卷積以後得到不同的feature map，提取不同的特徵。
如圖所示，b1=a1×w1+a2×w2+…+a6×w6，b1的數值就相當於文中開篇圖中紅色小立方體位置處的數值。這樣一來，全連線的過程就相當於執行1×1卷積的過程了。
1 1卷積核的作用和原理
1 1的卷積作用 1.常常用於降維 降通道數 其實也可以用於公升高維度。2.增加了跨通道的資訊互動 3.增加了非線性。這個存疑 原理 從圖的下部可以看出，使用1 1 5的卷積，在4 4 5的特徵圖上遍歷整個寬和高 4 4 相當於在寬高做加乘，得到4 4 1的特徵圖。也就是用3個 1 1的卷積，可以得...
卷積核引數的計算及1 1卷積核
首先，明確乙個概念 卷積並不只是乙個二維的過程，實際上對於輸入的一般而言是三個通道的 r g b 那為什麼輸出的結果可以是128個通道呢？實際上經過卷積過後的通道數是由卷積核的個數來決定的，整個的卷積過程二維情況下也就是在每個通道下發生的卷積過程為 在多通道情況下的卷積情況如下 其實濾波器的維度應該...
卷積核裡面的引數怎麼來的 1 1卷積核的作用
1x1的卷積核由於大小只有1x1，所以並不需要考慮畫素跟周邊畫素的關係，它主要用於調節通道數，對不同的通道上的畫素點進行線性組合，然後進行非線性化操作，可以完成公升維和降維的功能，如下圖所示，選擇2個1x1大小的卷積核，那麼特徵圖的深度將會從3變成2，如果使用4個1x1的卷積核，特徵圖的深度將會由3...