Kernel 1x1 卷积

1. 1x1卷积与3x3卷积的直观对比

• 使用Kernel大小为3x3的卷积

• 使用Kernel大小为1x1的卷积

2. 1x1卷积的功能

• 1×1卷积核本质：就是多个feature map对应像素的线性组合，可以实现feature map在通道个数上的变化。所以进一步可以起到降维（或者升维）的作用，起到减少参数的目的。
  • 比如当前特征图为$w\times h\times m$即图像大小为$w\times h$，特征层数为$m$，然后对其进行$1\times 1$的卷积运算，特征层数为$n$，那么只要$n<m$这样就能起到降维的目的，减少之后步骤的运算量。
• 可以控制特征层的数量：从而实现升维或降维
• 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
• 减少计算量：实例说明如下：

  • 假如输入大小为28 x 28 x 192，输出大小为28 x 28 x 32
    

  • 上图的计算量为：28 x 28 x 192 x 5 x 5 x 32 = 120,422,400次
    

  • 上图的计算量为：28 x 28 x 192 x 1 x 1 x 16 + 28 x 28 x 16 x 5 x 5 x 32 = 12,443,648次
    -由此可见，实现相同的目标，引入1x1 卷积的计算量是不引入的1/10.

3. 1x1卷积与全连接的比较

• 是否改变图像空间结构
  • 全连接层会破坏图像的空间结构，而1*1卷积层不会破坏图像的空间结构，全连通就相当于每个像素点都一样对待，但是卷积是将一个区域单独对待，所以会保留图像局部特征
• 输入尺寸是否可以任意
  • 全连接层的输入尺寸是固定的，因为全连接层的参数个数取决于图像大小。而卷积层的输入尺寸是任意的，因为卷积核的参数个数与图像大小无关