Convolution with even-sized kernels and symmetric padding Intro 本文探究了偶数kernel size的卷积对网络的影响，结果表明偶数卷积在结果上并不如奇数卷积。文章从实验与原理上得出结论，偶数卷积之所以结果更差，是因为偶数卷积会使 ...

1.原理 对于1*1的卷积核来说,实际上就是实现不同通道数据之间的计算,由于卷积窗口为1*1,那么他不会对同一通道上相邻的数据进行改变,而是将不同通道之间的数据进行相加. 输入和输出具有相同的高和宽。输出中的每个元素来自输入中在高和宽上相同位置的元素在不同通道之间的按权重累加 ...

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 ...

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 ...

信道压缩~通~通~减 一、1 X 1的卷积核作用 　所谓信道压缩，Network in Network是怎么做到的？ 　对于如下的二维矩阵，做卷积，相当于直接乘以2，貌似看上去没什么意义： 　但是，对于下面这种32通道的数据，如果我用1个1x1x32的卷积核与其做卷积运算，得到 ...

先讲一下是怎么卷积的。一般输入的是RGB颜色空间的图片，即有三个通道。可以理解为这三个通道的每个对应的数值组合在一起表示了这一张图片。 卷积操作过程：（通道数变化的原理） 先从一张示意图说起，卷积基础概念和操作步骤就不啰嗦了，只讲这张图，大意就是，有in-channel ...

左边10的部分表示较亮的部分，可以看到将左边图片中间的线-->右边图片扩大加粗了。 区分 两者的变化。 2、padding的意义：（n+2p-(f-1))**2 有步长[(n+2p-f)/s ]+1 第一、防止图片经过多次卷积之后大小变 ...