面经：卷积方面、池化方面

如何理解卷积

卷积相当于对图片进行像素级别的处理，通过卷积核在图片上滑动，能够降低图片的尺寸，加深图片的通道数，提取特征。多层深层的卷积能够更好的提取特征，这些特征将被用于深度学习的预测。

1*1的卷积核的好处？

针对每个像素点，在不同的通道数上进行线性组合（信息整合），且保留了图片原有的平面结构，调整depth，从而完成升维或者降维的功能。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。
维度上升是为了使网络具有更好的特征表征能力，维度下降是因为让网络有更低的运算量。

膨胀卷积

膨胀卷积与普通卷积的相同点在于：卷积核的大小是一样的，在神经网络中即参数数量不变，区别在于膨胀卷积具有更大的感受野。

保持参数个数不变的情况下增大了卷积核的感受野，让每个卷积输出都包含较大范围的信息；同时它可以保证输出的特征映射（feature map）的大小保持不变。一个扩张率为2的3×3卷积核，感受野与5×5的卷积核相同，但参数数量仅为9个，是5×5卷积参数数量的36%。

神经网络中，基于感受视野，感知上一层特征。感受视野越大，越易于感知全局特征。
在分割任务中，感受视野越大，越易于检测分割大目标。

卷积核大小如何选择？比如1 * 3,3 * 1代替3*3的原理？

在达到相同感受野的情况下，卷积核越小，所需要的参数和计算量越小。比如（3 * 3）的卷积叠加在一起，相比一个大的卷积（7 * 7），与原图的连通性不变，但是大大降低了参数的个数以及计算的复杂度。
kernel_size = 3, stride = 2， padding = 1的卷积会将输入图像宽高减半，因此常用作堆叠卷积操作。

depthwise卷积的原理？

不同于常规卷积操作，Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积。