1*1卷积的作用

本文参考：

1*1卷积核作用（两种理解方法） - 知乎

1*1卷积核的作用_nefetaria的博客-CSDN博客_1*1卷积核的作用 

1、多通道卷积说明

首先关于卷积很重要的结论：无论输入图像有多少个通道，输出结果通道数总是等于卷积核个数。

比如上图中，卷积层为1*1*1，最后一个1表示只有一个卷积核，那么最后的输出也是1个通道数。

  比如上图中，卷积层为1*1*2，最后一个2表示有2个卷积核，那么最后的输出是2个通道数。

2、1*1卷积的作用

2.1 降维/升维的作用

像多通道的第1个图片说明，输入层3个通道的特征，最后输出层只剩1个通道的信息，也就实现了跨通道的特征整合。

再如上图，上图的1..6就是通道数。RGB是好理解的通道数，三通道是一个图，三通道有各自的像素值最后形成彩图。

对于图像，一般表述为W * H * C，分别表示宽、高、通道数，当想改变通道数时，就用1*1*M（M是新的被改变的通道数），此时W和H的值并未改变。

如果M为1，就像多通道中的第1个示例，实现了跨通道的整合。

如果M小于C，那么就实现了降维的效果。

如果M大于C，那么就实现了升维的效果。

2.2 减少卷积核参数

以GoogLeNet的3a模块为例，输入的feature map是28*28*192，3a模块中1*1卷积通道为64，3*3卷积通道为128，5*5卷积通道为32，如果是左图结构，那么卷积核参数为1×1×192×64+3×3×192×128+5×5×192×32，而右图对3×3和5×5卷积层前分别加入了通道数为96和16的1×1卷积层，这样卷积核参数就变成了1×1×192×64+（1×1×192×96+3×3×96×128）+（1×1×192×16+5×5×16×32），参数大约减少到原来的三分之一。

 

注意：卷积核如果实现通道数的改变，那么必定是通过映射矩阵完成的，比如从M维变到N维，则映射矩阵为M*N。