卷积原理

卷积原理

• 池化-特征降维
• 最大池化层

• 平均池化层

• 1X1卷积

1. 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

2. 升降维度

• Inception模块

1. 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