1×1卷积核的简单讲解

欢迎关注
1×1卷积核主要功能是改变通道数目,致使减少计算量。在使用1×1卷积核的过程中,不改变原始图片的宽度和高度,它只是改变了通道数。它同时对原始图片的所有信道进行卷积,融合成一个值,如下图所示:

上图左侧是一个图片的三个通道,通过 1×1卷积核,形成了与原始图片相同高与宽图片,只是通道变为了 1 的 features map,1×1卷积之后的值,如下所示:

以下图为例,我们可以看到,计算量明显减少。

image-20200611213427453

  • 16
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
下面是一个简单的示例代码,用于说明如何使用Python实现卷积操作: ```python import numpy as np def convolution(input_data, kernel): input_height, input_width = input_data.shape kernel_height, kernel_width = kernel.shape output_height = input_height - kernel_height + 1 output_width = input_width - kernel_width + 1 output = np.zeros((output_height, output_width)) for i in range(output_height): for j in range(output_width): output[i, j] = np.sum(input_data[i:i+kernel_height, j:j+kernel_width] * kernel) return output # 示例输入数据和卷积核 input_data = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) kernel = np.array([[1, 1], [0, 1]]) # 调用卷积函数 output = convolution(input_data, kernel) print("输入数据:") print(input_data) print("卷积核:") print(kernel) print("卷积结果:") print(output) ``` 在这个示例中,我们定义了一个名为`convolution`的函数,它接受输入数据和卷积核作为参数,并返回卷积操作的结果。 首先,我们获取输入数据和卷积核的高度和宽度。然后,根据输入数据和卷积核的尺寸计算输出图像的高度和宽度。 接下来,我们创建一个全零矩阵作为输出的初始图像。然后,使用两个嵌套的循环遍历输出图像的每个像素位置。 在每个位置上,我们从输入数据中提取与卷积核大小相同的子矩阵,并与卷积核进行元素逐个相乘。然后,将得到的结果求和并存储在输出图像的对应位置。 最后,返回输出图像作为卷积的结果。 在示例中,我们使用了一个简单的输入数据和卷积核来进行演示,并打印了输入数据、卷积核卷积结果。 输出结果为: ``` 输入数据: [[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]] 卷积核: [[1 1] [0 1]] 卷积结果: [[19. 25.] [37. 43.]] ``` 这个示例展示了如何使用Python实现简单卷积操作,但实际上,在深度学习中,我们通常使用高效的库(如TensorFlow、PyTorch等)来执行卷积操作,以提高计算速度和效率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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