关于CNN网络中1X1卷积核降维或升维的理解

最新推荐文章于 2025-05-18 12:46:39 发布
最新推荐文章于 2025-05-18 12:46:39 发布
阅读量1.3w 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/liqingzhuang2016/article/details/78907593
本文探讨了1x1卷积核在网络中的作用，解释了如何通过1x1卷积实现特征图通道数量的变化，进而达到降维或升维的效果。文中提到，当输出特征数量少于输入特征时，可以降低维度；反之则增加维度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 网上都说1X1的卷积核可以降维或升维。我的理解是，如果输入层x * y * z, 深度z（通道）大于1时(如果是第一层，即要求
 图像像素为多 个分量，如RGB，相当于深度为3；如果是中间层，即为feature map 是多个 )可以通过1X1的卷积实现
 输出层上降低通道数，也就是所谓的降维。当然前提是该1X1层设计的输出特征个数  feature map 数 < x * y * z。
 如果 feature map 数 > x * y * z ，则会升维。

 不知道理解的是否正确
深度学习CV方向学习笔记4 —— 1×1卷积核的作用
qq_33909645的博客
10-13 2149
个人学习神经网络相关知识的学习记录，本帖记录的是关于1×1卷积核的知识。 学习资料来源于各博主的帖子、知乎、b站等，在个人理解的基础上加以总结，可能存在理解有误之处，欢迎指正！
cnn卷积核channel，数量，1*1卷积核降维原理
m0_55392122的博客
05-08 3279
卷积核channel和数量的区别cnn卷积channel1.filter的channel=输入图像的channel 2.filter的个数=输出图像的channel1×1\times1×1卷积降维tensorflow cnn卷积 众所周知，cnn最重要的就是卷积层和池化层，对于卷积层中，通过使用卷积核与原图像进行卷积操作，降低数据量方便计算。卷积操作为： 通过上述操作可以使大家清晰的看到卷积操作，但是卷积核的处理非常重要，那么卷积核的channel以及个数有什么区别呢？以下是我通过借阅别的大佬的博客做出如
卷积（CNN）| 反卷积（TCNN、Transposed CNN）| 卷积过程中feature map的通道变化 | 1 × 1卷积核如何降维/升维
你的问题在于，读书太少而想得太多。
06-27 3367
一文搞懂卷积（CNN）| 反卷积（TCNN、Transposed CNN）| 卷积过程中feature map的通道变化 | 1 × 1卷积核如何降维/升维
从0到1吃透卷积神经网络（CNN）：原理与实战全解析
最新发布
小相探索IT世界
05-18 2401
卷积神经网络（CNN）作为深度学习的核心技术之一，在图像识别、目标检测、语义分割等计算机视觉领域表现卓越。其核心特点包括局部连接、权值共享和平移不变性，这些特性使得CNN能够高效提取图像特征，减少计算量并提升泛化能力。CNN的基本结构包括卷积层、池化层、全连接层和输出层，通过前向传播和反向传播机制进行特征提取和参数优化。经典模型如LeNet-5、AlexNet、VGG和GoogLeNet在CNN的发展历程中起到了里程碑作用，推动了深度学习技术的进步。
1*1的卷积核如何实现降维/升维？
S0ybean的博客
09-25 1969
简单举例解释1*1卷积核降维/升维原理
1*1卷积核实现升维降维
qq_43578042的博客
06-14 805
升维：卷积核shape为[1,1,3,10],即10组[1,1,3]的卷积核，先用其中一组对这张图片卷积得到[32,32,3]的数据，然后将这3为数据相加之后得到[32,32,1]，所以10组卷积核能得到[32,32,10]的输出，这样改变了维度。来源：https://zhuanlan.zhihu.com/p/661786236。假设现在有一张图片形状为[32,32,3],32为长和宽，3代表通道数。降维：同理，只需将10改为想要的维度就可以了。
1*1的卷积核 降维和升维的妙用
成功的方式只有一个，按自己的方式，度过人生。欢迎共赴知识与乐趣的探索之旅！
07-15 1万+
使用三个不同大小的卷积核主要是为了减少参数的数量。 目录使用三个不同大小的卷积核主要是为了减少参数的数量。1.首先是卷积核的数量问题2.其次是参数数量的计算：3. 增加跨通道信息的交互和增加非线性 1.首先是卷积核的数量问题 2.其次是参数数量的计算： 3.增加跨通道信息的交互和增加非线性 1.首先是卷积核的数量问题 因为一张图片可能有很多特征，所以可能需要学习多个卷积核用来提取图像特征。 图中不同颜色代表不同的特征，需要学习对应数量的卷积核进行特征提取。 对于灰度图像，图像为2D 例如一个图像大小是5×
1x1卷积的作用
二分掌柜的
06-10 2281
flyfish
NNDL 作业7：第五章课后题（1×1 卷积核 | CNN BP）
fangerfang？
10-27 1541
NNDL 作业7：第五章课后题（1×1 卷积核 | CNN BP）
【深度学习】CNN 中 1x1 卷积核的作用
frank 的专栏
10-19 1万+
最近研究 GoogLeNet 和 VGG 神经网络结构的时候，都看见了它们在某些层有采取 1x1 作为卷积核，起初的时候，对这个做法很是迷惑，这是因为之前接触过的教材的例子中最小的卷积核是 3x3 ，那么，1x1 的卷积核有什么意义呢？ 最初应用 1x1 卷积核的神经网络是 Network In Network，然后 GoogLeNet 和 VGG 也不约而同的更正了。 他们在论文中解释，大概有下...
一文读懂卷积神经网络中的1x1卷积核
热门推荐
阿木寺的博客
07-18 3万+
前言 在介绍卷积神经网络中的1x1卷积之前，首先回顾卷积网络的基本概念[1]。 卷积核（convolutional kernel）：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（一般是奇数x奇数）。卷积核的个数就对应输出的通道数（chan...
卷积神经网络CNN中1×1卷积作用理解
青衫憶笙
07-11 9849
0.引言 研究 GoogLeNet 和 VGG 神经网络结构的时候，都看见了它们在某些层有采取 1x1 作为卷积核，在最开始看到的AlexNet中都是出现了卷积核是 3x3和5×5的。那么，1x1 的卷积核有什么意义呢？ 最初应用 1x1 卷积核的神经网络是 Network In Network，然后 GoogLeNet 和 VGG 也不约而同的更正了。 他们在论文中解释，大概有下面 2...
1*1卷积降维
weixin_42040467的博客
10-11 160
其中n为输入图像的维度，p为padding，f为卷积核的个数，s为卷积跨度。假设原始输入图像size：6x6x32；1个1*1卷积的size：1x1x32。最后输出图像size：6x6x1。
通过1X1卷积核实现升维，降维
计算机视觉
10-28 4426
1*1卷积层
weixin_33709364的博客
11-29 254
from mxnet import gluon,init from mxnet import autograd,nd from mxnet.gluon import nn,loss as gloss from mxnet.gluon import data as gdata # 二维卷积层 def corr2d(X,K): h, w = K.shape ...
1×1的卷积的作用
ZhikangFu的专栏
09-30 1万+
1×1的卷积大概有两个方面的作用吧： 1. 实现跨通道的交互和信息整合 2. 进行卷积核通道数的降维和升维   下面详细解释一下： 1. 这一点孙琳钧童鞋讲的很清楚。1×1的卷积层（可能）引起人们的重视是在NIN的结构中，论文中林敏师兄的想法是利用MLP代替传统的线性卷积核，从而提高网络的表达能力。文中同时利用了跨通道pooling的角度解释，认为文中提出的MLP其实等价于在传统卷积核后
1*1卷积核实现降维
weixin_44293973的博客
09-07 2238
比如，某个卷积层的输入有256个特征图，通过64个1*1的卷积核，输出的特征图即为64个。的作用延伸开来说的话挺多，但是其实质是：通过N个1*1的卷积核，能够将M张图像转化为N张图像。3.在XCeption模组中加入1*1卷积，主要负责处理通道间的混合。当然，除此之外还有很多用法，但是万变不离其宗，掌握了核心才能发散。模组中加入1*1卷积，能够保证两边的通道数核图像尺寸一致；1.通过卷积核为1*1的卷积层可以增加网络的。能力，提高网络的表达能力；
卷积神经网络中用1*1 卷积有什么作用或者好处呢？
小白学视觉
10-04 1101
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达本文转自：AI遇见机器学习地址：https://www.zhihu.com/question/56024942编辑：机器学习算法与自然语言处理作者：陈运锦个人的几点理解：https://zhuanlan.zhihu.com/p/35814486目录：part I ：来源part II ：应用part III ：作用（降维、...
1 * 1卷积层
sujixian1995的博客
09-18 1698
对于1 * 1卷积层自己的一点理解 1 *1 卷积层最早是2014年ICLR的一篇名为《Network In Network》的论文提出的从下面图片可以看成 1 * 1卷积层其实就相当于全连接层也就是相当于输入乘以权重。它为改变输入的大小， 1*1 卷积的作用 一、 实现特征通道的升维和降维 　　通过控制卷积核的数量达到通道数大小的放缩。而池化层只能改变高度和宽度，无法改变通道数。 二、 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
1*1卷积层如何实现降维/升维
03-17
最后，总结1x1卷积在降维和升维中的应用场景，比如在Inception网络中的多尺度处理和通道调整，以及在ResNet中的Bottleneck结构，说明其重要性和实际效果。确保用户理解其灵活性和有效性，以及如何在实际模型中应用...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值