最新卷积神经网络中1 1卷积的作用_2(2)，2024年最新贼好用的Linux运维学习路线集合

为了做好运维面试路上的助攻手，特整理了上百道 【运维技术栈面试题集锦】 ，让你面试不慌心不跳，高薪offer怀里抱！

这次整理的面试题，小到shell、MySQL，大到K8s等云原生技术栈，不仅适合运维新人入行面试需要，还适用于想提升进阶跳槽加薪的运维朋友。

本份面试集锦涵盖了

• 174 道运维工程师面试题
• 128道k8s面试题
• 108道shell脚本面试题
• 200道Linux面试题
• 51道docker面试题
• 35道Jenkis面试题
• 78道MongoDB面试题
• 17道ansible面试题
• 60道dubbo面试题
• 53道kafka面试
• 18道mysql面试题
• 40道nginx面试题
• 77道redis面试题
• 28道zookeeper

总计 1000+ 道面试题， 内容 又全含金量又高

• 174道运维工程师面试题

1、什么是运维?

2、在工作中，运维人员经常需要跟运营人员打交道，请问运营人员是做什么工作的?

3、现在给你三百台服务器，你怎么对他们进行管理?

4、简述raid0 raid1raid5二种工作模式的工作原理及特点

5、LVS、Nginx、HAproxy有什么区别?工作中你怎么选择?

6、Squid、Varinsh和Nginx有什么区别，工作中你怎么选择?

7、Tomcat和Resin有什么区别，工作中你怎么选择?

8、什么是中间件?什么是jdk?

9、讲述一下Tomcat8005、8009、8080三个端口的含义？

10、什么叫CDN?

11、什么叫网站灰度发布?

12、简述DNS进行域名解析的过程?

13、RabbitMQ是什么东西?

14、讲一下Keepalived的工作原理?

15、讲述一下LVS三种模式的工作过程?

16、mysql的innodb如何定位锁问题，mysql如何减少主从复制延迟?

17、如何重置mysql root密码?

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以点击这里获取！

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

2.应用

GoogleNet中的Inception、ResNet中的残差模块。

Inception举例

在Inception网络(论文Going Deeper with Convolutions)中图像输入进来后，通常可以选择直接使用像素信息(1x1卷积)传递到下一层，可以选择3x3卷积，可以选择5x5卷积，还可以选择max pooling的方式downsample刚被卷积后的feature maps。 但在实际的网络设计中，究竟该如何选择需要大量的实验和经验的。 Inception就不用我们来选择，而是将4个选项给神经网络，让网络自己去选择最合适的解决方案。但是这些卷积滤波器的设计也会在计算上造成很大的消耗，由于3*3卷积或者5*5卷积在几百个filter的卷积层上做卷积操作时相当耗时，所以1*1卷积在3*3卷积或者5*5卷积计算之前先降低维度。

普通的Inception模块：

从下往上看，本层输入的feature map 是28*28*192 。

注：卷积核的通道数与输入的feature map一致，而卷积核的个数与输出channel一致。

输入feature map	卷积核大小 \ 卷积核参数	通道数	个数	卷积操作所生成的通道数	输出feature map
28*28*192	1*1	192	64	64	(28*28)*64
28*28*192	3*3	192	128	128	(26*26)*128
28*28*192	5*5	192	32	32	(24*24)*32

注： 卷积核通道数默认与所作用的feature map通道数相同，使用时也不写通道数，只写filter个数（即卷积核数量）。 图中红色部分channel个数可以理解为，是该卷积核与输入feature map作用完之后所生成的feature map 的通道数（channel个数）。或者理解为，是当前卷积核的个数（filter数）。

表格中 最后一列 输出feature map是 假设步长为1，padding=0，各卷积核作用后所生成的feature map，主要是想表现出卷积操作前后通道数的变化，无其他意义。

参数量：(1×1×192×64) + (3×3×192×128) + (5×5×192×32) = 153600

最终输出的feature map个数：64+128+32+192 = 416

(feature map尺寸是指 W、H是权值共享的sliding window，feature map的数量就是channels)

池化层不引人参数！

feature map个数就是filter个数，一个滤波器在前一个feature map上进行一次卷积操作（特征抽取）会产生一个feature map或者叫通道、深度。

加入1*1卷积的inception模块：

在3*3，5*5 卷积层前新加入的1x1的卷积核数量为96和16个的，max pooling后加入的1x1卷积核数量为32。

图中该层的参数：

(1×1×192×64)+(1×1×192×96+3×3×96×128)+(1×1×192×16+5×5×16×32)+(1x1x32)=15904
最终输出的feature map个数： 64+128+32+32=256

(feature map尺寸是指 W、H是权值共享的sliding window，feature map的数量就是channels)

通过对比是否添加了1*1卷积核的两个inception模块，可以看到生成的feature map个数（即通道数）从416降低至256 ，参数量也大大降低。

所以，加入1×1的卷积后，在降低大量运算的前提下，降低了维度。

ResNet中残差模块举例

假设输入的feature map是w*h*256,并且最后要输出的是256个feature map。

（为追求两者一致性，需要把左侧图的64都改成256，且中间只有一层3*3*256的卷积层）

左侧操作数：w*h*256*3*3*256 =589824*w*h

右侧操作数：w*h*256*1*1*64 + w*h*64*3*3*64 +w*h*64*1*1*256 = 69632*w*h,，左侧参数大概是右侧的8.5倍。（实现降维，减少参数）

主要是1∗1卷积核可以先进行降维，降维之后需要的3∗3的卷积核数目就变少了。而真正占用参数量的是3∗3卷积核，1*1卷积核的参数量其实非常少，所以引入了1∗1卷积核来减少训练参数。

右侧图，在输出之前也有一个卷积核，feature map被 3*3，64的卷积核作用后 channel是64，只需添加一个 1*1，256的卷积核，只用64*256个参数就能把网络channel从64扩展四倍到256。（从64通道扩展到256通道）（实现升维，且参数量少）

跨通道信息交互举例

使用1*1卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化，3*3，64channels的卷积核后面添加一个1*1，28channels的卷积核，就变成了3*3，28channels的卷积核，原来的64个channels就可以理解为跨通道线性组合变成了28channels，这就是通道间的信息交互。

注意：只是在channel维度上做线性组合，W和H上是共享权值的sliding window。

3. 1*1卷积作用

1*1卷积核进行降维或升维，是通过控制卷积核（通道数）实现的。

降维（缩减网络通道数，减少参数，减少计算量）

最后的话

最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！

资料预览

给大家整理的视频资料：

给大家整理的电子书资料：

如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以点击这里获取！

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化的资料的朋友，可以点击这里获取！

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！