CNN中1*1 卷积核

       卷积神经网络中卷积核的作用是提取图像更高维的特征，一个卷积核代表一种特征提取方式，对应产生一个特征图，卷积核的尺寸对应感受野的大小。经典的卷积示意图如下：

                                        

 卷积核的大小一般是（2n+1）*(2n+1)的奇数乘奇数大小（n>=1），最常用的有3*3,5*5,7*7的。主要原因有两点：

 

1.  一般情况下，使用n*n大小的卷积核对大小为N*N的图像卷积，结果图像尺寸缩小为（N-n+1），这种卷积操作的都是图像上真实的像素，不需要对图像进行扩充。

          另一种补白方式是（Same Padding），在卷积核对图像执行 Same Padding 卷积时，要求卷积后图像大小跟原图像大小保持一致，这就需要提前给原图像做  Padding  操作，即给图像增加额外的空白，增大图像尺寸使得卷积后大小为原图像大小，Padding操作示意图如下：

                                                                       
       在相同补白（Same Padding）模式下，需要补充的像素大小是N-（N-n+1）= n-1个，这里的n表示的是卷积核大小，                ( 如果n为奇数，则n-1为偶数，补得这n-1个像素可以在图像两侧对称分布，如果使用偶数的卷积核，n-1为奇数，无法在图像两侧对称分布  )

2. 奇数卷积核有中心点，可以方便的确定位置，而偶数的卷积核不存在绝对的中心点。

1*1 卷积核

        在残差网络的Bootleneck残差模块和GoogleNet的Inception模块里出现了1*1的卷积核：

                                      

                                 

             与（2n+1）*（2n+1）的卷积核提取图像特征顺便降低图像尺寸不同，1*1的卷积核的作用是提升或者降低特征（个数）的维度，而不改变图像的宽高。这里的维度是指 图像的通道数（厚度，如RGB图像的通道数是3， 10个单通道的特征图一起组成通道数是10）。

  

例如经过某次卷积后，得到W*H*10的特征图，这里通道数是10，如果需要降维成W*H*6，即把10个特征图减少到6个。这就需要使用6组，每组10个的1*1的卷积核来实现。10个1*1的卷积核和上一层W*H*10的特征图卷积，得到一个W*H*1的特征图，使用6组这样的1*1卷积核，就可以得到W*H*6维度的特征图，实现了特征图的压缩，而不改变图像的宽高。这里一共有6*10=60个可训练参数。

同理，使用1*1卷积核也可以实现特征图升维。
       从图像处理的角度看1*1的卷积操作，可以把它理解成是把N个图像按N个不同的系数融合的操作，需要多少个特征图就融合多少次。