[人工智能]DAY14_1x1卷积核的作用

1x1卷积核虽然不能进行上/下采样，但在CNN中仍有很重要的作用

1x1卷积核的作用

升维、降维

• 首先一个很简单的例子，feature map 大小为16x16 channel = 8，通过一个1x1 数量为4的卷积核，得到的输出就为16x16x4
• 降维最明显的影响就是增加了网络的深度，但是并不会增加网络的参数量，通过不同大小卷积核的组合，同时也可以大幅度减小计算量

输入56 * 56 * 192，使用5 * 5 * 32的卷积核。最终的计算量是：56 * 56 * 32 * 5 * 5 * 192 = 323,635,200
使用step1: 1 * 1 * 16
以及step2: 5 * 5 * 32的卷积核代替使用一个5 * 5 * 32的卷积核。
最终的计算量是：(56 * 56 * 16 *1 * 1 * 192 ) + (56 *56 32 * 5 * 5 * 16 ) = 49,774,562
计算量减小了6.6倍

多通道整合

• 如上面例子中的step1，输入的channel为192， step1输出的channel为16，这就时将输出的192个channel通过跨通道线性组合为了一个16的channel，即实现了多通道间的信息交互及整合

增加非线性能力

• 通过一个1x1的卷积核，可以保持feature map的大小不变，在不丢失分辨率的条件在1x1卷积层后方增加一个非线性激活函数来增强网络的非线性能力