卷积原理
- 池化-特征降维
- 最大池化层
- 平均池化层
- 1X1卷积
- 池化是对每个feature map的卷积,没有对通道的交互,1X1卷积对通道进行线性组合
对于单通道的feature map和单个卷积核之间的卷积来说,题主的理解是对的,CNN里的卷积大都是多通道的feature map和多通道的卷积核之间的操作(输入的多通道的feature map和一组卷积核做卷积求和得到一个输出的feature map),如果使用1x1的卷积核,这个操作实现的就是多个feature map的线性组合,可以实现feature map在通道个数上的变化。接在普通的卷积层的后面,配合激活函数,就可以实现network in network的结构
- 升降维度
- Inception模块
- 增加网络深度和宽度的同时减少参数。
Conv2D(filters, kernel_size, strides, padding, activation='relu', input_shape)
参数
必须传递以下参数:
filters
-----------------
filters 过滤器个数
kernel_size (方)卷积窗口的高宽(数字或元组)
strides 卷积步长 (数字或元组)
padding
1×1 卷积核的作用?(附实例):https://zhuanlan.zhihu.com/p/35814486
扩展知乎话题:卷积神经网络中用1*1 卷积有什么作用或者好处呢?:https://www.zhihu.com/question/56024942
吴恩达DeepLearning.ai视频教程 《
Networks in Networks and 1x1 Convolutions》
1*1的卷积核与Inception:https://blog.csdn.net/a1154761720/article/details/53411365