本文探讨了1x1卷积核在深度学习中的应用，重点介绍了它在降维和引入非线性方面的功能。1x1卷积核可以在不损失空间分辨率的情况下减少输入特征图的数量，从而加快计算速度并减少参数数量。此外，通过添加非线性激活函数，进一步增强了网络的表达能力。
11卷积过滤器 和正常的过滤器一样，唯一不同的是它的大小是11，没有考虑在前一层局部信息之间的关系。最早出现在 Network In Network的论文中 ，使用11卷积是想加深加宽网络结构 ，在Inception网络（ Going Deeper with Convolutions ）中用来降维.
由于33卷积或者55卷积在几百个filter的卷积层上做卷积操作时相当耗时，所以11卷积在33卷积或者55卷积计算之前先降低维度。
那么，11卷积的主要作用有以下几点：1、降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做11的卷积，那么结果的大小为50050020。
2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力；
kernel size 1*1 的卷积，有什么用处？
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
