cnn卷积核channel，数量，1*1卷积核降维原理

已于 2022-05-08 20:03:46 修改
阅读量3k 收藏 16
点赞数 8
分类专栏： 图像处理 文章标签： cnn 人工智能 神经网络
于 2022-05-08 19:57:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_55392122/article/details/124652859
版权
本文探讨了CNN卷积层中的卷积核通道（channel）与数量的区别，强调卷积核的channel需与输入图像的channel一致。通过1x1卷积的例子解释了降维的原理，指出降维是通过改变filter的个数实现，而channel保持不变。最后提到了Tensorflow中filter参数的设置，并提醒读者基础知识的重要性。
摘要由CSDN通过智能技术生成

卷积核channel和数量的区别

cnn卷积

众所周知，cnn最重要的就是卷积层和池化层，对于卷积层中，通过使用卷积核与原图像进行卷积操作，降低数据量方便计算。卷积操作为：
csdn其他大佬的图片直接拿来用
通过上述操作可以使大家清晰的看到卷积操作，但是卷积核的处理非常重要，那么卷积核的channel以及个数有什么区别呢？以下是我通过借阅别的大佬的博客做出如下总结：

channel

卷积核的channe要与上层中输入的channel数保持一致，因为只有channel数量相同时才能进行卷积操作，我当初就是因为没有理解卷积操作，不理解channel和个数的原因导致不理解如何计算卷积。言归正传。
上图：
自己用ipad画的，字丑见谅
由图中可得，当输入的channel数为224时，卷积核的通道数也应该为224，（由于担心某些同学可能和我有一样的陷入局部最优解，特给出新的最优化模型以达到全局最优解，开玩笑开玩笑，hhh）
在这里插入图片描述
当图像是一维时，即输入的

最低0.47元/天 解锁文章
百大小伙计
关注
专栏目录
1*1卷积原理作用详解
CSDN 精品推荐
08-08 1210
在深度学习框架中，如TensorFlow或PyTorch，实现1x1卷积非常简单，因为它与常规的卷积操作没有本质区别，只是卷积核的大小为1x1。1x1 卷积（1x1 Convolution）是卷积神经网络中的一种特殊卷积操作，通常用于调整通道数和特征维度，以及引入非线性变换。通过使用1x1卷积，可以减少特征图的通道数和维度，从而降低计算量，提高模型的效率。在某些情况下，1x1 卷积被用于替代全连接层，因为它可以在不引入过多参数的情况下进行特征映射和非线性变换，从而减少过拟合的风险。
一文读懂卷积神经网络中的1x1卷积核
热门推荐
阿木寺的博客
07-18 3万+
前言 在介绍卷积神经网络中的1x1卷积之前，首先回顾卷积网络的基本概念[1]。 卷积核（convolutional kernel）：可以看作对某个局部的加权求和；它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸（一般是奇数x奇数）。卷积核的个数就对应输出的通道数（chan...
1×1卷积核【super star 卷积核】
最新发布
xinxin的博客
09-18 511
我们先来给出1×1卷积的一般作用，如下所示：•跨通道的特征整合•特征通道的升维与降维•减少权重参数（卷积核参数）简化模型。
CNN中1*1 卷积核
北漂人家
10-15 889
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： ...
CNN 、 1*1 卷积核 学习笔记
tangweirensheng的博客
10-08 863
feature map尺寸是指W,H上共享权值的 sliding window, feature map的数量是 channels 卷积层： 滤波器filter个数，卷积层中的权值称为滤波器 filter或 卷积核，使用一个 filter对输入进行卷积得到一个特征图 feature map,使用多个滤波器同时对输入进行卷积得到多个特征图。 感受野 (receptive field) F,滤波器空间局部连接的大小， 3*3， 5*5 零填补 (zero padding) P,卷积过程...
CNN中神奇的1x1卷积
小白学视觉
04-11 711
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达我们知道在CNN网络中，会有各种size的卷积层，比如常见的3x3,5x5等，卷积操作是卷积核在图像上滑动相乘求和的过程，起到对图像进行过滤特征提取的功能。但是我们也会遇见1x1的卷积层，比如在GoogleNet中的Inception模块，如下图：我们看到上图中有4个1x1的卷积，那么他们起着什么作用呢...
五、卷积神经网络CNN4(1*1卷积作用)
myani的博客
05-10 665
1x1卷积作用 1×1 的卷积大概有两个方面的作用： 1. 实现跨通道的交互和信息整合。 2. 进行卷积核通道数的降维和升维。 下面详细解释一下： 1. 1×1 的卷积层（可能）引起人们的重视是在 NIN 的结构中，论文中的想法是利用 MLP 代替传统的线性卷积核，从而提高网络的表达能力。文中同时利用了跨通道 pooling的角度解释，认为文中提出的 MLP 其实等价于在传统卷积核后面接 cccp 层，从而实现多个feature map 的线性组合，实现跨通道的信息整合。...
1*1卷积核的作用和原理
u012811785的博客
09-08 3507
1*1的卷积作用： 1. 常常用于降维（降通道数），其实也可以用于升高维度。 2.增加了跨通道的信息交互 3.增加了非线性。这个存疑 原理： 从图的下部可以看出，使用1*1*5的卷积，在4*4*5的特征图上遍历整个宽和高（4*4），相当于在宽高做加乘，得到4*4*1的特征图。 也就是用3个 1*1的卷积，可以得到宽高为4*4，通道数为3的特征图。 这样子就改变了原始的通道数。。 此外，如果1*1的卷积核数量大于5，那么就变成升高维度了。 跨信道的交互其实也很清楚，也就是做加乘...
卷积神经网络CNN中1×1卷积作用理解
青衫憶笙
07-11 9677
0.引言 研究 GoogLeNet 和 VGG 神经网络结构的时候，都看见了它们在某些层有采取 1x1 作为卷积核，在最开始看到的AlexNet中都是出现了卷积核是 3x3和5×5的。那么，1x1 的卷积核有什么意义呢？ 最初应用 1x1 卷积核的神经网络是 Network In Network，然后 GoogLeNet 和 VGG 也不约而同的更正了。 他们在论文中解释，大概有下面 2...
【CNN】卷积神经网络中的 1*1 卷积 的作用
scxyz的博客
04-09 7776
在论文 Network In Network 中，提出了一个重要的方法：1×11×11\times1 卷积。这个方法也在后面比较火的方法，如 googLeNet、ResNet、DenseNet ，中得到了非常广泛的应用。特别是在 googLeNet 的Inception中，发挥的淋漓尽致。 初次看到 1×11×11\times1 卷积，可能会觉得没有什么作用，因为给人的感觉就是 1×11×11\...
NNDL 作业7：第五章课后题（1×1 卷积核 | CNN BP）
Guo_weiqi的博客
10-30 176
NNDL 作业7：第五章课后题（1×1 卷积核 | CNN BP）
kaggle之人脸特征识别
lijingpeng的专栏
08-28 4556
Facial_Keypoints_Detection github codefacial-keypoints-detection, 这是一个人脸识别任务，任务是识别人脸图片中的眼睛、鼻子、嘴的位置。训练集包含以下15个位置的坐标，行末是图片的像素值，共96*96个像素值。测试集只包含图片的像素值。left_eye_center, right_eye_center, left_eye_inner_co
1*1卷积的理解与总结
zerone_zjp的博客
09-14 7329
1*1卷积的主要作用 1、降维（减少参数）。比如，一张500×500且深度为100的图片在20个filter上做1×1的卷积，那么结果的大小为500×500×20； 2、升维（用最少的参数拓宽网络channal）； 3、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； 4、跨通道信息交互和特征整合（channal 的变换）。使用1×1卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化
1*1卷积核降维
haobotao_upup的博客
11-07 541
1*1卷积核降维原理
如何理解1*1卷积
baidu_38634017的博客
07-16 364
转载自：https://blog.csdn.net/chaipp0607/article/details/60868689 我们都知道，卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年
CNN网络中的 1 x 1 卷积是什么？
AI小作坊 的博客
02-15 1万+
http://iamaaditya.github.io/2016/03/one-by-one-convolution/ http://cs231n.github.io/convolutional-networks/#convert
卷积神经网络CNN 中用1*1 卷积过滤器的作用及优势
u010899985的博客
08-09 1万+
  1*1卷积过滤器 和 正常的过滤器一样，唯一不同的是它的大小是1*1，没有考虑在前一层局部信息之间的关系。最早大神颜水成论文《Network In Network》 中使用1*1卷积 ，目的是想加深加宽网络结构 。后来谷歌GoogleNet的Inception网络（ Going Deeper with Convolutions ），微软亚洲研究院(MSRA)在 ResNet中的残差模块等中使...
1*1卷积核实现降维
weixin_44293973的博客
09-07 2146
比如，某个卷积层的输入有256个特征图，通过64个1*1的卷积核，输出的特征图即为64个。的作用延伸开来说的话挺多，但是其实质是：通过N个1*1的卷积核，能够将M张图像转化为N张图像。3.在XCeption模组中加入1*1卷积，主要负责处理通道间的混合。当然，除此之外还有很多用法，但是万变不离其宗，掌握了核心才能发散。模组中加入1*1卷积，能够保证两边的通道数核图像尺寸一致；1.通过卷积核为1*1的卷积层可以增加网络的。能力，提高网络的表达能力；
卷积核，以及卷积核channel数的理解
weixin_38410551的博客
01-15 6986
每一个卷积核的大小，为长宽深度。长，宽自定义，深度由上一层卷积核的个数或者输入图片的channel数决定。例如：如果上一层就是输入，输入为灰度图像，卷积核的深度为1。输入为rgb图像，卷积核的深度为3。如果上一层为卷积层，卷积核的个数，即channel数，就是当前层卷积核的深度。 注：经过一个卷积核的输出，必然为一个特征图。 当前层卷积核的channel数，可以自定义。可以与上一层卷积核个数相同.........
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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