机器学习面试必知：1✖️1卷积核

最新推荐文章于 2023-04-03 16:33:17 发布

原创最新推荐文章于 2023-04-03 16:33:17 发布 · 1.8k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#1✖️1卷积核

机器学习同时被 2 个专栏收录

39 篇文章

订阅专栏

面试

39 篇文章

订阅专栏

博客介绍了1×1卷积核的作用，它可通过改变通道数实现降维或升维，同时还能作为激活函数，为模型加入非线性因素，在信息技术领域的模型构建中有重要意义。

                    
降维或者升维，通过改变通道数实现
算是激活函数，所以相当于在模型中加入了非线形

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Neekity

关注关注

3
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

1*1卷积的作用

favomj的博客

10-07

8285

1*1卷积的主要作用有以下几点： 1、降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。 2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力；...

1✖1的卷积在深度学习中的作用

litt1e的博客

02-19

1181

首先我们举一个简单的例子。我们假设一个1✖1的卷积核，里面的数字为2。输入一张6✖6✖1的图片，然后对它做卷积，其过滤器大小为（卷积核）1✖1✖1。结果显而易见，即相当于把这个图片乘以数字2。用1✖1的过滤器进行卷积似乎用处不大。只是对输入矩阵乘以某个数字。但这仅仅是对于6✖6✖1的通道图片来说，1✖1卷积效果不佳。如果是一张6✖6✖32的图片，那么使用1✖1过滤器进行卷积效果更好。具体来说...

参与评论您还未登录，请先登录后发表或查看评论

深度学习—1*1卷积核

dbsggal90047018的博客

06-20

299

主要作用： 1、跨通道的特征整合 2、特征通道的升维和降维 3、减少卷积核参数（简化模型），对于单通道feature map 用单核卷积即为乘以一个参数，而一般情况都是多核卷积多通道，实现多个feature map的线性组合 4、可以实现与全连接层等价的效果。如在faster-rcnn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卷积的作用 NiN模型中的1×1卷积

TranSad的博客

02-26

3773

1*1的卷积原来看面经的时候经常看到这么个问题，问的是关于1*1卷积的好处和特点之类的。1*1的卷积，顾名思义就是用大小为1*1的卷积核去做卷积，但也仅仅是长宽为1，卷积核的通道数不做限制。通过1*1的卷积，每次只看一个像素点里多个通道的信息，不会识别一个通道里面的其他空间信息。因此1*1卷积侧重于融合一个像素点里3个通道（假如通道是3）的信息，对同一个像素点的不同通道值进行加权求和。经常有讲解说“可以把1*1的卷积看作全连接层”。这个如何理解呢？如图，假设输入图像宽w...

1×1卷积

sungod2的博客

04-16

859

1×1卷积 1、增加非线性 1×1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性，使得网络可以表达更加复杂的特征。 2、特征降维通过控制卷积核的数量达到通道数大小的放缩。特征降维带来的好是可以减少参数和计算量。不引入1×1卷积的卷积操作：引入1×1卷积的操作：加入1×1卷积的Inception module： ...

1*1卷积核的作用

03-13

228

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还是降维取决于卷积核的个数 2.减少模型参数，增加模型深度图(a)中，参数个数：(1×1×192×64)...

面试问题：1×1卷积的作用

Matrix_cc的博客

03-14

616

一维卷积通常用于序列模型中，所以在自然语言处理中，通常使用的是一维卷积。 1、升维和降维，通常将一维卷积当做全连接使用 2、加入非线性。卷积层之后经过激励层，1*1 的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力； 3、跨通道信息交互（channal 的变换）第一点说的升维和降维通常是通道间的变换，3*3，64channels...

1*1卷积详解

you 是 mine

06-30

6303

卷积核作用：可以看作对某个局部的加权求和；它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸。卷积核的个数就对应输出的通道数，这里需要说明的是对于输入的每个通道，输出每个通道上的卷积核是不一样的。比如输入是28x28x192(WxDxK,K代表通道数)，然后在3x3的卷积核，卷积通道数为128，那么卷积的参数有3x3x192x128,其中前两个对应的每个卷积里面的参数，后两个对应的卷积总

1×1卷积的作用

Roaddd的博客

02-10

528

1×1卷积的作用：（1）降维或升维（2）跨通道信息交融（3）减少参数量（4）增加模型深度，提高非线性表示能力

1×1卷积功能

xjcvip007的博客

07-10

1429

之前对1×1卷积的作用的看法主要是多通道融合和降低feature map数量，最近又看到一个新说法，记录一下：转自：http://finance.jrj.com.cn/tech/2017/07/07185122717460.shtml?utm_source=tuicool&utm_medium=referral用1×1卷积，能实现一个更复杂的网络结构，但是它的计算的复杂度反而会进一步降低，它的思

1x1卷积的作用

u012135425的博客

03-28

1140

1x1卷积的主要作用有以下几点： 1、降维（ dimension reductionality ）。比如，一张512x512且厚度depth为100 的图片在26个filter上做1x1的卷积，那么结果的大小为512*512*20。 2、加入非线性。卷积层之后经过激励层，1x1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力；...

【剑指offer】1*1卷积的作用

不兼容旧版本

04-03

1039

我们知道，卷积后生成图片的尺寸受卷积核的大小和跨度影响，但如果卷积核是 1x1 ，跨度也是 1，那么生成后的图像大小就并没有变化。1x1卷积核只有一个参数，当它作用在多通道的feature map上时，相当于不同通道上的一个线性组合，实际上就是加起来再乘以一个系数，但是这样输出的feature map就是多个通道的整合信息了，能够使网络提取的特征更加丰富。比如：在尺寸 3x3，64通道个数的卷积核后面添加一个尺寸1x1，28通道个数的卷积核，就变成了尺寸3x3，28尺寸的卷积核。

卷积神经网络中的一个面试题

共同学习

04-17

4806

今天在北京某著名计算机视觉公司面试实习生，面试官问了我一个以前我没见过的东西。意思就是现在pooling 层是一个2*2的核，用average-pooling，然后还有一个卷积核是2*2的，然后这个卷积核不用学习，里面的每个值都是1、4,然后他问我，一张图片，分别经过他们之后，出来的东西一样不一样？我当时一想，每个值都是1/4，那不是和平均一样吗，我说是的，他没有对不对，然后就又继续问，如果现在让...

1 x1卷积详解：概念、优势和应用