Convolution with even-sized kernels and symmetric padding Intro 本文探究了偶數kernel size的卷積對網絡的影響，結果表明偶數卷積在結果上並不如奇數卷積。文章從實驗與原理上得出結論，偶數卷積之所以結果更差，是因為偶數卷積會使 ...

1.原理 對於1*1的卷積核來說,實際上就是實現不同通道數據之間的計算,由於卷積窗口為1*1,那么他不會對同一通道上相鄰的數據進行改變,而是將不同通道之間的數據進行相加. 輸入和輸出具有相同的高和寬。輸出中的每個元素來自輸入中在高和寬上相同位置的元素在不同通道之間的按權重累加 ...

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 ...

1.改變模型維度 二維的輸入數據（如\(6*6\)）和\(1*1\)的卷積核 卷積，相當於原輸入數據直接做乘法 三維的輸入數據（如\(6*6*32\)）和\(1*1*32\)的卷積核卷積，相當於卷積核的32個數對原輸入數據的32個數加權求和，結果填到最右側對應方框中 升維 ...

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 ...

信道壓縮~通~通~減 一、1 X 1的卷積核作用 　所謂信道壓縮，Network in Network是怎么做到的？ 　對於如下的二維矩陣，做卷積，相當於直接乘以2，貌似看上去沒什么意義： 　但是，對於下面這種32通道的數據，如果我用1個1x1x32的卷積核與其做卷積運算，得到 ...

先講一下是怎么卷積的。一般輸入的是RGB顏色空間的圖片，即有三個通道。可以理解為這三個通道的每個對應的數值組合在一起表示了這一張圖片。 卷積操作過程：（通道數變化的原理） 先從一張示意圖說起，卷積基礎概念和操作步驟就不啰嗦了，只講這張圖，大意就是，有in-channel ...

左邊10的部分表示較亮的部分，可以看到將左邊圖片中間的線-->右邊圖片擴大加粗了。 區分 兩者的變化。 2、padding的意義：（n+2p-(f-1))**2 有步長[(n+2p-f)/s ]+1 第一、防止圖片經過多次卷積之后大小變 ...