1 - 引入 　　在我學習吳恩達老師Deeplearning.ai深度學習課程的時候，老師在第四講卷積神經網絡第二周深度卷積網絡：實例探究的2.5節網絡中的網絡以及1×1卷積對1×1卷積做了較為詳細且通俗易懂的解釋。現自己做一下記錄。 2 - 1×1卷積理解 　　假設當前輸入張量維度 ...

感受野：對於第一次卷積，如果卷積核是3*3，那么卷積的感受野就是3*3，如果在此卷積上，再進行一次卷積的話，那么這次的卷積的感受野就是5*5 因為5*5的區域，卷積核為3*3， 卷積后每一個點的感受野是3*3，卷積后的區域為3*3 第二次卷積還用用3*3的卷積的話，第二次卷積的結果就變成 ...

目錄 　　舉例 　　在Inception module上的應用 　　參考資料 可以減少計算量，可以增加非線性判別能力 舉例 假設有1個高為30、寬為40，深度為200的三維張量與55個高為5、寬為5、深度為200的卷積核same卷積 ...

1.降維或升維，減少參數量 通過1*1卷積核的個數，來控制輸出的通道數也就是維度 通過一次卷積操作，W*H*6將變為W*H*1，這樣的話，使用5個1*1的卷積核，顯然可以卷積出5個W*H*1，再做通道的串接操作，就實現了W*H*5 對於某個卷積層，無論輸入圖像有多少個通道，輸出圖像通道數總是 ...

還是降維取決於卷積核的個數 2.減少模型參數，增加模型深度 圖(a)中，參數個數：( ...

權值共享基本上有兩種方法： 在同一特征圖和不同通道特征圖都使用共享權值，這樣的卷積參數是最少的，例如上一層為30*30*40，當使用3*3*120的卷積核進行卷積時，卷積參數為：3*3*120個.(卷積跟mlp有區別也有聯系一個神經元是平面排列，一個是線性排列) 第二種只在同一特征圖上 ...

1*1的卷積核在NIN、Googlenet中被廣泛使用，但其到底有什么作用也是一直困擾的問題，這里總結和歸納下在網上查到的自認為很合理的一些答案，包括1）跨通道的特征整合2）特征通道的升維和降維 3）減少卷積核參數（簡化模型） 1 - 引入 　　在我學習吳恩達老師 ...

發現很多網絡使用1×1的卷積核，實際就是對輸入的一個比例縮放，因為1×1卷積核只有一個參數，這個核在輸入上滑動，就相當於給輸入數據乘以一個系數。（對於單通道和單個卷積核而言這樣理解是可以的） 對於多通道和多個卷積核的理解，1×1卷積核大概有兩方面的作用：1.實現跨通道的交互和信息整合（具有 ...