F46.深度卷积神经网络中卷积核（1*1卷积核）

1.详细学习1*1卷积核:

https://blog.csdn.net/qq_27871973/article/details/82970640

2.1×1卷积：

https://blog.csdn.net/renhaofan/article/details/82721868

3. 1x1的卷积能做什么呢？ （1*1卷积如何进行运算运算）

https://blog.csdn.net/ybdesire/article/details/80314925

4.卷积神经网络 1*1 卷积核（包括卷积核的相关知识以及卷积计算相关知识）

 https://blog.csdn.net/dcrmg/article/details/79222164

包含知识点：

1.卷积核选用奇数*奇数的原因：
		1）方便补零。设卷积核3*3，卷积操作前需要补零个数为2，可以在输入特征图的两侧各补一个零
		2）奇数*奇数的卷积核由中心点，方便确定卷积核的位置
2.1*1卷积核的作用：
		对输入特征图进行降维或者升维。

5.如何理解卷积神经网络中的11卷积（以全连接的方式理解11卷积核（以及n*n卷积核）)

https://blog.csdn.net/chaipp0607/article/details/60868689

6. 卷积核-百度百科：

https://baike.baidu.com/item/%E5%8D%B7%E7%A7%AF%E6%A0%B8/3377590

CNN 有一些它独特的地方，比如各种定义：

 1. CNN 可以看作是 DNN 的一种简化形式，即这里卷积核中的每一个权值就可以看成是 DNN 中的 ，且与 DNN 一样，会多一个参数偏置。
 2.一个卷积核在与 Input 不同区域做卷积时，它的参数是固定不变的。放在 DNN 的框架中理解，就是对同一层 Layer 中的神经元而言，它们的 和 是相同的，只是所连接的节点在改变。因此在 CNN 里，这叫做 共享权值偏置。
 3.在 CNN 中，卷积核可能是高维的。假如输入是 维的，那么一般 卷积核就会选择为 维，也就是与输入的 Depth 一致。
*4.最重要的一点，在 CNN 中，卷积核的权值不需要提前设计，而是跟 DNN 一样利用 GD 来优化，我们只需要初始化。
 5.如上面所说，其实卷积核卷积后得到的会是原图的某些特征（如边缘信息），所以在 CNN 中，卷积核卷积得到的 Layer 称作特征图。
 6.一般 CNN 中两层之间会含有多个卷积核，目的是学习出 Input 的不同特征，对应得到多个特征图。又由于卷积核中的参数是通过 GD 优化得到而非我们设定的，于是初始化就显得格外重要了。

注：结合5、6总结，卷积核中的数值为权值，需要人为设定，需要使用GD优化器优化（即：需要初始化）。

7.不同大小的卷积核在卷积过程所需要的参数量以及不同层卷积之间的的链接关系

变形卷积核、可分离卷积？卷积神经网络中十大拍案叫绝的操作:

https://blog.csdn.net/weixin_34268843/article/details/90326659 

卷积神经网络中 每个卷积核与上一层的连接详解：

https://blog.csdn.net/qq_27597601/article/details/54927967

本文讲解了不同的卷积核的特点、卷积所需要的参数以及1*1卷积核的作用（降低维度，减少计算过程中的参数量）

7.总结：

1*1卷积的主要作用有以下几点：

1、降维。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。

2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非线性激励，提升网络的表达能力；

3、增加模型深度。可以减少网络模型参数，增加网络层深度，一定程度上提升模型的表征能力。

11卷积与nn卷积一样

1.计算卷积时，都是计算输入特征图的局颁布的加权和（在整个特征图上实现了权值共享，即：特征图的每一局部部分均采用相同的权值）
2.卷积核中的数值，即神经网络中所使用的权值，不需要人为设定，需要使用GD优化器优化，以对权值进行初始化