深度学习面试的时候，如何回答1x1卷积的作用

11月了，秋招已经开始了。不知最近有没有同学在投简历面试呢?

回想起几年前我面试某大厂的时候，被问到了很多深度学习相关的知识，那时的我懂的不多，可以说是被面试官360度无死角蹂躏。

那次面试，印象最深的是问了很多与卷积相关的问题，导致我后来工作一段时间看到卷积就时不时的去查些资料，害怕自己又理解错了。

今天就介绍一个我曾经被问到的问题，那就是：在卷积神经网络中，1x1的卷积都有什么作用？

在卷积神经网络中，1x1的卷积有什么作用呢？

大概有以下几个作用。

第一是可以实现输出feature map(特征图)的升维和降维第二个是可以减少模型中的参数量，从而减少计算量，提升模型的推理性能除此之外，就是使用1x1的卷积可以增加网络的深度，从而提升模型的非线性表达能力。

1x1的卷积是如何实现升维和降维的

这里说的1x1的卷积实现升维和降维的功能，指的是 feature map 通道维度的改变，也即特征维度的改变。

这是因为1x1的卷积，卷积核长宽尺寸都是 1，在计算的过程中，不存在长、宽方向像素之间的融合计算(乘累加计算)，而仅仅存在通道之间的融合计算。

因此，在这种情况下，1x1的卷积所能改变的仅仅是通道数。

而从卷积算法上可以看出，卷积核的个数就是卷积输出的通道数。因此如果想让输出特征图的通道数增大，就要使用更多数量的卷积核来做卷积，从而实现特征维度的升或者降。

1x1的卷积是如何减少模型参数的

减少参数量可以这么理解：在输出相同特征图的前提下，将一个普通的卷积，替换成一个1x1的卷积加上另一个卷积，先进行降维，然后计算，如此一来整体的计算量要比普通卷积少。

举个例子，如上图所示。假设一个卷积的输入通道是128，输出通道是3