卷积通道变化原理

假设我们有一个特征图，尺寸为 $32\times 32$ 像素，包含 $64$ 个通道（深度）。我们希望通过 $1\times 1$ 卷积来减少通道数，设目标通道数为 $32$。

示例步骤：

1. 输入特征图：

   • 尺寸：$32\times 32\times 64$
   • 表示：$32\times 32$ 的空间维度和 $64$ 个通道。

2. 1x1卷积层：

   • 卷积核：设置为 $1\times 1$ 的卷积核，每个卷积核具有 $64$ 个输入通道和 $32$ 个输出通道。
   • 卷积操作：对于输入特征图中的每个 $32\times 32$ 的位置，应用 $32$ 个 $1\times 1$ 卷积核（每个卷积核权重矩阵是 $1\times 1\times 64$），计算得到 $32$ 个新的通道值。

3. 输出特征图：

   • 尺寸：$32\times 32\times 32$
   • 表示：空间维度不变，通道数减少到 $32$。

具体例子：

假设卷积核的设置如下：

• 输入特征图：假设有一个位置 $(x,y)$ 的输入特征图，通道数据为 $[a_1,a_2,...,a_{64}]$。
• 卷积核：第一个卷积核的权重是 $[w_{1,1},w_{1,2},...,w_{1,64}]$，第二个卷积核的权重是 $[w_{2,1},w_{2,2},...,w_{2,64}]$，以此类推，共有 $32$ 个卷积核。

卷积计算：

• 卷积结果：对于每个 $1\times 1$ 位置，使用第一个卷积核的权重进行计算得到输出通道 $1$ 的值：
  $${\text{Output}}_{(x,y,1)}=\sum _{i=1}^{64}{a}_i\times w_{1,i}$$

• 同样，使用第二个卷积核的权重计算得到输出通道 $2$ 的值：
  $${\text{Output}}_{(x,y,2)}=\sum _{i=1}^{64}{a}_i\times w_{2,i}$$

  以此类推，直到得到 $32$ 个输出通道的值。

最终结果：

• 输出特征图：每个位置 $(x,y)$ 现在有 $32$ 个通道值，空间尺寸保持为 $32\times 32$，因此最终输出的特征图尺寸为 $32\times 32\times 32$。

通过这种方式，$1\times 1$卷积有效地将输入特征图的通道数从 $64$ 减少到 $32$，同时保持了空间尺寸不变。这不仅减少了计算量，还降低了模型的复杂性。