1x1卷积的作用

1x1卷积的作用

在架构内容设计方面,其中一个比较有帮助的想法是使用1x1的卷积。

这里用1x1的过滤器进行卷积似乎用处不大。只是对输入矩阵乘以某个数字。

但这仅仅是对于6x6x1的信道图片来说1x1卷积效果不佳。

如果是一张6x6x32的图片,那么使用1x1过滤器进行卷积效果更好。具体来说 1x1卷积所要实现的功能是遍历这36个单元格,计算左图中32个数字和过滤器中32个数字的元素智能乘积,然后应用ReLU非线性函数。

 

 

我们以其中一个单元格为例,它是这个输入层上的某个切片,用这36个数字乘以这个输入层上1x1的切片,得到一个实数,像这样把它画在输出中,这个1x1x32过滤器中的32个数字就可以这样理解,一个神经元的输入是32个数字,乘以相同高度和宽度上某个切片上的32个数字。这32个数字有不同的信道。

一般来说,如果过滤器不止一个,而是多个,就好像有多个输入单元,其输入内容为一个切片上的所有数字,输出结果是6x6x过滤器的数量。

所以1x1卷积可以从根本上理解为,这32个单元都应用了一个全接连神经网络

全连接层的作用是输入32个数字,和过滤器数量标记为nC[l+1],在36个单元上重复此过程,输出结果是6x6x过滤器数量,以便在输入层上实施一个非平凡计算。这种方法通常称为1x1卷积,有时也称为Network in Network, 在林敏,陈强和杨学成的论文中有详细描述。举个1x1卷积的例子,相信对大家有所帮助,这是它的一个应用。

 

假设这是一个28x28x192的输入层,你可以使用池化层压缩它的高度和宽度,但是信道数量很大,该如何把它压缩为28x28x32维度的层呢,你可以用32个大小为1x1的过滤器,严格来讲,每个过滤器的大小都是1x1x192维,因为过滤器中的信道数量必须与输入层中的信道数保持一致,因此使用32个过滤器,输出层为28x28x32. 这就是压缩nC的方法。然而对于池化层,我们只是压缩了这些层的高度和宽度。接下来我们看看在某些网络中,1x1卷积是如何压缩信道数量并减少计算的。当然,若果你想保持信道数192不变这也是可行的,1x1卷积只是添加了非线性函数,当然也可以让网络学习更复杂的函数。比如,我们再添加一层,其输入为28x28x192,输出为28x28x192,1x1卷积层就是这样实现了一些重要功能,他给神经网络添加了一个非线性函数,从而减少或保持输入层中的信道数不变,当然如果你愿意,也可以增加信道数量。

 

 

 

 

总结:1x1卷积具有全连接的作用,添加了非线性,并且可以升维或者降维。

参考:吴恩达卷积课程

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值