卷积神经网络中1 1卷积的作用_2(1)，2024最新Linux运维笔试题及答案

GoogleNet中的Inception、ResNet中的残差模块。

Inception举例

在Inception网络(论文Going Deeper with Convolutions)中图像输入进来后，通常可以选择直接使用像素信息(1x1卷积)传递到下一层，可以选择3x3卷积，可以选择5x5卷积，还可以选择max pooling的方式downsample刚被卷积后的feature maps。 但在实际的网络设计中，究竟该如何选择需要大量的实验和经验的。 Inception就不用我们来选择，而是将4个选项给神经网络，让网络自己去选择最合适的解决方案。但是这些卷积滤波器的设计也会在计算上造成很大的消耗，由于3*3卷积或者5*5卷积在几百个filter的卷积层上做卷积操作时相当耗时，所以1*1卷积在3*3卷积或者5*5卷积计算之前先降低维度。

普通的Inception模块：

从下往上看，本层输入的feature map 是28*28*192 。

注：卷积核的通道数与输入的feature map一致，而卷积核的个数与输出channel一致。

输入feature map	卷积核大小 \ 卷积核参数	通道数	个数	卷积操作所生成的通道数	输出feature map
28*28*192	1*1	192	64	64	(28*28)*64
28*28*192	3*3	192	128	128	(26*26)*128
28*28*192	5*5	192	32	32	(24*24)*32

注： 卷积核通道数默认与所作用的feature map通道数相同，使用时也不写通道数，只写filter个数（即卷积核数量）