权值共享基本上有两种方法： 在同一特征图和不同通道特征图都使用共享权值，这样的卷积参数是最少的，例如上一层为30*30*40，当使用3*3*120的卷积核进行卷积时，卷积参数为：3*3*120个.(卷积跟mlp有区别也有联系一个神经元是平面排列，一个是线性排列) 第二种只在同一特征图上 ...

发现很多网络使用1×1的卷积核，实际就是对输入的一个比例缩放，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。（对于单通道和单个卷积核而言这样理解是可以的） 对于多通道和多个卷积核的理解，1×1卷积核大概有两方面的作用：1.实现跨通道的交互和信息整合（具有 ...

1 - 引入 　　在我学习吴恩达老师Deeplearning.ai深度学习课程的时候，老师在第四讲卷积神经网络第二周深度卷积网络：实例探究的2.5节网络中的网络以及1×1卷积对1×1卷积做了较为详细且通俗易懂的解释。现自己做一下记录。 2 - 1×1卷积理解 　　假设当前输入张量维度 ...

1.降维或升维，减少参数量 通过1*1卷积核的个数，来控制输出的通道数也就是维度 通过一次卷积操作，W*H*6将变为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 对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是 ...

1.改变模型维度 二维的输入数据（如\(6*6\)）和\(1*1\)的卷积核 卷积，相当于原输入数据直接做乘法 三维的输入数据（如\(6*6*32\)）和\(1*1*32\)的卷积核卷积，相当于卷积核的32个数对原输入数据的32个数加权求和，结果填到最右侧对应方框中 升维 ...

中用1*1*m的卷积核卷积n（如512）个特征图的每一个位置（像素点），其实对于每一个位置的1*1卷积 ...

感受野：对于第一次卷积，如果卷积核是3*3，那么卷积的感受野就是3*3，如果在此卷积上，再进行一次卷积的话，那么这次的卷积的感受野就是5*5 因为5*5的区域，卷积核为3*3， 卷积后每一个点的感受野是3*3，卷积后的区域为3*3 第二次卷积还用用3*3的卷积的话，第二次卷积的结果就变成 ...

CNN中，1X1卷积核到底有什么作用呢？ https://www.jianshu.com/p/ba51f8c6e348 Question: 从NIN 到Googlenet mrsa net 都是用了这个，为什么呢？ 发现很多网络使用了1X1卷积核，这能起到什么作用 ...