谈Inception V1网络结构 与 GoogLeNet

1 x 1 卷积核

        此观点是在 Network in Network（NIN）中提出，那这样的卷积有什么用处呢？先回顾下相关基础概念吧~

        卷积核： 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）

        下面通过吴恩达老师的课件，对1 x 1卷积运算的理解。例如对于如下的二维矩阵，做卷积，相当于直接乘以2

        对于三维矩阵，用 1 x 1 卷积核做卷积

        如上图，如果是一张6×6×32的图片，1×1卷积所实现的功能是遍历这36个单元格，计算左图中32个数字和过滤器中32个数字的元素积之和，然后应用ReLU非线性函数。当有多个过滤器时，就好像有多个输入单元，其输入内容为一个切片上所有数字，输出结果是6×6过滤器数量。

        当设置多个1*1filter时，可以起到一个跨通道聚合的作用，所以进一步就可以随意增减输出的通道数，也就是降维（或升维），起到减少参数的目的。

        1×1卷积可以从根本上理解为对这32个不同的位置都应用一个全连接层，全连接层的作用是输入32个数字（过滤器数量标记为 n C [ l + 1 ] n_C^{[l+1]} n