tensor如何实现转置_[思考]CNN中feature的形状转换对于模型整体性能的影响如何？...

写在前面：

最近同时在进行几个工作，其中有一个工作还是比较有趣，虽然感觉简单或者不被重视，或者他本身就没有研究的价值？？？ whatever 。具体idea不便描述，直接引入我们的问题：

假设bs不做考虑，那么CNN输出的feature map尺寸是一个三维特征（C*H*W），其中输出feature尺寸和 输入的feature尺寸、卷积核大小、padding、dilated、stride有关，具体计算很基础，就不做过多阐述了。

那么问题来了，输出feature的形状转换对于模型整体性能的影响如何？

下面举几个例子解释一下我所理解的feature的形状转换具体指什么：

eg：

1、通过1*1卷积（不限于1*1）进行形状转换：

卷积核个数为Cout个，Cin*H*W -> Cout*H*W，其中输出通道数从Cin转换为Cout，这里大家肯定想到1*1不过是为了channel降维、减少后续计算量，或者接在concat或element-wise的处理之后融合、平滑、聚合特征这样。没错继续（3D->3D）

那么如果只有一个卷积核，Cin*H*W -> 1*H*W -> H*W ,这样把