深度学习中卷积计算以及1*1卷积核作用

深度学习中1*1卷积核作用

看图理解！

  以上是用一个773的数组作为输入，然后神经元中卷积核大小为333，数量为2,输出的特征图大小为332

卷积：一组固定的权重和不同窗口内数据做内积

卷积的计算—>
  每次选取输入数据一层的一个窗口然后和对应深度层的神经元的卷积核进行矩阵内积计算，最后将所有的计算结果与偏置项b相加后输出

  ！卷积计算时可以有多个神经元，神经元的个数对应卷积层的输出深度，卷积层的输入深度和输出深度不一定一致

  ！卷积层神经元的深度和输入数据的深度一致

  ！卷积层的输出深度于神经元有关；输出大小和滑动窗口有关。 输出大小；(输入大小减去卷积核尺寸大小)/滑动步长 +1
  eg；[227，227]输入，卷积核11*11，步长4 ，10个神经元 则输出为[10,55,55] 55=(227-11)/4+1
卷积参数的计算：卷积核宽 x高x卷积个数x输入的深度+卷积个数(参数b)
权值共享机制 神经元权值唯一且固定

因此卷积层的输出是由卷积核数量和卷积核大小 步长决定的。

1*1卷积的作用

1.作用是在不影响输入输出维数的情况下，对输入进行线性形变，然后通过Relu进行非线性处理，增加网络的非线性表达能力。

2.可以通过设置神经元的数量，来对数据进行深度的降维(宽高都不会发生变化)，选取1x1所需要的参数最少。