1x1卷积和池化操作

最新推荐文章于 2025-03-14 18:28:31 发布
最新推荐文章于 2025-03-14 18:28:31 发布
阅读量2.2k 收藏 7
点赞数
分类专栏： 深度学习 文章标签： 卷积神经网络
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/qq_40630902/article/details/119480769
版权
本文详细介绍了1x1卷积和池化操作，它们在深度学习中用于压缩特征映射。1x1卷积通过减少通道数量来压缩层的维度，而池化则通过改变特征映射的尺寸来减小模型复杂度。1x1卷积能有效减少计算量和参数数量，同时保持模型性能。

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

1x1卷积和池化操作

1. 本质

  • 1x1卷积和池化操作的本质是压缩feature mapping（输入层或者叫表示层）
  • 1x1卷积通过改变feature mapping（输入层或者叫表示层）的通道数量，具体操作是减少通道数量实现压缩
  • 池化操作通过改变feature mapping（输入层或者叫表示层）的尺寸（宽和高）

2. 1x1卷积操作

假设这是一个28×28×192的输入层，如果通道数量很大，该如何把它压缩为28×28×32维度的层呢？你可以用32个大小为1×1的过滤器，严格来讲每个过滤器大小都是1×1×192维，因为过滤器中通道数量必须与输入层中通道的数量保持一致。32个过滤器（卷积核）分别对应输出层32个通道，一个过滤器得到一个通道的结果。

在这里插入图片描述

3.池化操作

在这里插入图片描述

  • 这里的feature mapping（表示层）大小池化后由4x4变成了2x2
  • 池化直接在feature mapping（输入层或者叫表示层）上进行操作
  • 池化大小为2x2，并且stride=2，padding=0，一般池化操作padding=0
  • 和卷积的区别，卷积需要卷积核对输入层进行对应相乘再相加得到输出层的一个点，而池化直接对输入层2x2大小的范围操作
  • 和卷积的相同点，计算公式是一样的 n o u t
最低0.47元/天 解锁文章
上采样,下采样,卷积,反卷积,池化,反池化,双线性插值【基本概念分析】
zik的博客
11-19 1万+
然而，确实有一些缩放方法能够增加图像的信息，从而使得缩放后的图像质量超过原图质量的。在右边的等式中的字母f(Q11)、f(Q12)、f(Q21)、f(Q22)、x1、x2、x都是已知的，求出的f(x,y1)与f(x,y2）即为R1、R2的像素值。那么就从左上角到右下角，生成卷积之后的矩阵的大小是(5-3+1)*(5-3+1)的矩阵，生成之后的矩阵的元素值，是之前的两个矩阵对应元素的乘积之和；在右边的等式中的字母y1、y2、y都是已知的，f(x,y1)与f(x,y2）即为上一个式子中求出的R1、R2像素值。
TensorFlow知识点备忘3（卷积与池化）
u014798590的博客
11-02 1519
0、引言 PS：本人初学，技术菜的抠脚，本博客仅对学习过程中遇到的知识点进行总结，如有错误，还望指出，谢谢。 1、卷积 2、池化 3、参考资料
池化方法总结（Pooling）
热门推荐
Daniel_djf的专栏
01-05 6万+
在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。 为什么可以通过降低维度呢？ 因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大的图像，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值
1×1的卷积/交叉通道池化（cross channel pooling）
maqian5的博客
06-12 5137
  在看论文Network in Network时，发现一个概念很陌生–cross-channel pooling。于是上网查，找到下面的一个回答：    大概意思是说：这个概念在论文Maout Networks中有解释。 假设你有一个线性模块，该模型有50个输出（或者说是有50个channels）,但是你想要的是5个输出。你就可以使用cross-channel pooling来减少对chan...
池化层1x1的作用！
qlkaicx的博客
02-17 953
池化层1×1实际上是有用的，并且它确实可以降维。在卷积神经网络中，池化层的主要作用是通过减小特征图的维度来降低模型的计算量和过拟合的风险。虽然1×1的池化核在空间维度上并不进行实际的池化操作（因为只有一个空间维度），但它仍然可以在通道维度上进行池化，从而减少特征图的通道数，达到降维的效果。具体来说，1×1的池化层可以通过设置池化步长（stride）大于1来实现通道维度的降维。例如，如果输入特征图的通道数为C，而1×1池化层的步长设置为C/2，那么输出特征图的通道数就会被减少到C/2。
1x1卷积层的作用——改变通道数
yangmy123的博客
10-22 424
1x1卷积层的通道数是我们人为设置的，具体原理图看下图：
1乘1的卷积和如何减少通道数
m0_57236802的博客
10-08 1922
假设你有一个输入特征图，其尺寸为(H \times W \times C_{in})，其中(H)和(W)分别是特征图的高度和宽度，(C_{in})是输入通道数。现在，假设你想减少通道数到(C_{out})，你可以使用一个尺寸为(1 \times 1 \times C_{in} \times C_{out})的卷积核。1x1的卷积核主要是用于改变输入数据的通道数量，而不是提取空间特征。通过这种方式，1x1卷积能够将输入的(C_{in})个通道映射到输出的(C_{out})个通道，从而实现通道数的减少。
深度学习基础：卷积、池化与1x1卷积解析
深度可分离卷积（Depthwise Separable Convolution）将深度卷积和1x1卷积结合，首先对每个输入通道独立进行卷积，然后进行通道间的卷积，大大减少了计算成本，常用于移动设备上的轻量级网络。 这些概念构成了深度...
从pytorch代码入手，一文搞懂卷积和池化之后图片尺寸改变
qq_34525916的博客
01-07 2551
在阅读代码的时候，总是会被神经网络的复杂结构搞昏头脑，尤其是经过一系列的卷积池化操作之后，完全不知道输入输出的尺寸。本文将从pytorch代码入手，推出每一步操作之后变量的尺寸。 预备知识： 一、卷积操作 假设输入图像尺寸为wxh，卷积核尺寸为fxf，步幅为s，Padding为p,那么经过卷积层后输出的图像尺寸为： w_new = ( w + 2p -f ) / 2 + 1 h_new = ( h + 2p -f ) / 2 + 1 二、池化操作 假设输入图像尺寸为wxh，池化核尺寸为fxf，步幅为s，那
1x1卷积
qq_43071209的博客
03-06 2088
1x1卷积的作用：可以压缩通道数。 原理如下： 对于如下的二维矩阵，做卷积，相当于直接乘以2，貌似看上去没什么意义。 但是，对于下面这种32通道的数据，如果我用1个1x1x32的卷积核与其做卷积运算，得到的就是1个6x6的矩阵。 同理，如果我用N个1x1x32的卷积核与其做卷积运算，得到的就是N个6x6的矩阵。 也就是说我们可以通过改变1x1卷积核的个数来改变最后输出的通道数。 ...
一句话理解深度学习中1×1卷积的作用
weixin_52890053的博客
08-27 1093
一句话了解1×1卷积的作用
1*1卷积的作用
GeneralJing的专栏
10-10 283
主要是下面几个： 1.改变通道： 通道的升维与降维，不改变图像的宽高 通道间的数据融合 减少计算量 2.增加非线性
1x1的卷积及其作用
随风秀舞（diyoosjtu）
04-14 4137
本文将解决如下问题： 1x1的卷积有什么作用？ 为什么要用1x1的卷积？ 文章目录1x1卷积可以扩增或减少数据实例：1x1卷积用于降低参数的数量 图1：左:：3x3卷积；右：1x1卷积 1x1卷积可以扩增或减少数据 1x1的卷积核，也被称作网中网（Network in Network）。图1中右图显示的数据的channel是1，此时1x1卷积只是把原始数据乘以一个倍数（...
1X1卷积
weixin_53297048的博客
06-30 2062
在学习1x1卷积之前，我们先对多通道卷积进行简单的回顾，这样更方便对1x1卷积的理解多通道卷积是将各通道的卷积后对应位置累加求和，简单的说就是。
1*1卷积核的作用及其应用举例
m0_70484757的博客
07-13 811
1*1卷积核我觉得最重要的作用就是在减少计算量的同时而不损失太多信息。
一文读懂卷积神经网络中的1x1卷积核
小白学视觉
01-01 3401
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]。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...
卷积神经网络(CNN)中1×1卷积核详解
最新发布
gkoyu的博客
03-14 1641
1×1卷积核在卷积神经网络（CNN）中扮演着关键角色，主要用于调整通道数、融合通道信息以及优化计算效率。
PyTorch 入门与实践（六）卷积神经网络进阶（GoogLeNet、ResNet）
过招
08-01 1408
来自 B 站刘二大人的《PyTorch深度学习实践》P11 的学习笔记 GoogLeNet 1×1 卷积 上一篇我们知道，卷积的个数取决于输入图像的通道数。 1×1 卷积能起到特征融合、改变通道数和减少计算量的效果，被称为神经网络中的神经网络 例如，我们先通过 1×1 卷积减少了通道的数量，让大的卷积核计算更少的通道数，能大大减少计算量： Inception Module Inception（盗梦空间） Module 的目的在于给神经网络提供多个卷积层的配置，在将来通过训练选择最优线路，和.
1×1卷积核的简单讲解
TBTB的博客
06-12 8737
1×1卷积核主要功能是改变通道数目，致使减少计算量。在使用1×1卷积核的过程中，不改变原始图片的宽度和高度，它只是改变了通道数。它同时对原始图片的所有信道进行卷积，融合成一个值，如下图所示： 上图是一个图片的三个通道，通过 1×1卷积核，形成了与原始图片相同高与宽图片，只是通道变为了 1 的 features map，1×1卷积之后的值，如下所示： 以下图为例，我们可以考到，计算量明显减少。 ...
评论
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