Inception论文学习（一）+1*1卷积

参考：https://blog.csdn.net/Chaolei3/article/details/79366148

1.概念

1*1的卷积并不会改变图像的分辨率，而会改变图像的深度

2.作用

单通道输入

简单地看，如果我们的输入是一个单通道的图像，而卷积核就是1*1*1的（最后那个1一般不给出），那么1*1卷积的过程就如下图所示。在数学意义上讲就是对输入进行了比例缩放。因为1*1卷积核只有一个参数，这个核在输入上滑动，就相当于给输入数据乘以一个系数。

多通道输入

 如果输入是多通道的时候，可以实现跨通道的交互和信息整合。具有线性修正特性，实现多个feature map的线性组合，这个线性组合的权重由1*1 的卷积核内的元素决定，也可以实现feature map在通道个数上的变化，也就是实现经过1*1卷积之后的输出数据的通道数的变化。我们都知道【卷积之后的输出数据的通道数是由卷积核的个数决定的】，例如有16个卷积核，那么不用管输入数据如何，经过卷积之后的输出数据就是16通道的。正是由于可以控制输出数据的通道数的变化，那么1*1的卷积所具有的功能就是降维或者升维。
形象地用下面的图片来形象化上面的叙述，我们假设有1个6通道的输入，为了简单其间，每一个通道都是W*H大小的图像，我并没有画出一个立方体（应该是W*H*6），但这并不影响理解。

我们可以想象在立方体的深度方向的某一个具体位置(x,y)穿插而过得到的就是一个1*1*6大小的纤维。将该纤维同1*1卷积核卷积，就会得到一个数。用数学式表示就是
sum = 权重1*通道1的(x,y)+权重2*通道2的(x,y)+……+权重6*通道6的(x,y)。点积求和使得全部6个通道的对应位置的信息（像素值）被整合在一起。注意该卷积核的结果只有一个通道。这就是1*1卷积在多通道输入中所作的事情。倘若我们有多个1*1的卷积核，那么我们的输出的通道数也就是1*1卷积核的数目一致。

举个例子
举个例子，比如某次卷积之后的结果是W*H*6的特征，现在需要用1*1的卷积核将其降维成W*H*5，即6个通道变成5个通道。
那么我们应该怎样做？无需多言，自然能根据输出是5通道来决定使用5个1*1的卷积核即可。通过一次卷积操作，W*H*6将被1*1的卷积核变为W*H*1，这样的话，使用5个1*1的卷积核，显然可以卷积出5个W*H*1，再做通道的串接操作，就实现了W*H*5。