深度学习（2）卷积神经网络卷积层1*1卷积核

卷积核

卷积神经网络中卷积核的作用是提取图像更高维的特征，一个卷积核代表一种特征提取方式，对应产生一个特征图，卷积核的尺寸对应感受野的大小。

经典的卷积示意图如下：

5 * 5 的图像使用3*3的卷积核进行卷积，结果产生3 * 3（5-3+1）的特征图像。

• 卷积核的大小一般是 （2n+1）*(2n+1) 的奇数乘奇数大小（n>=1），最常用的有 3* 3,5* 5,7* 7 的。之所有使用奇数 * 奇数而不是偶数 * 偶数大小的，主要原因有两点：

1. 一般情况下，使用n * n大小的卷积核对大小为N*N的图像卷积，结果图像尺寸缩小为（N-n+1），这种卷积操作的都是图像上真实的像素，不需要对图像进行扩充，也叫有效补白（Valid Padding）。
   另一种补白方式是相同补白（Same Padding），在卷积核对图像执行相同补白（Same Padding）卷积时，要求卷积后图像大小跟原图像大小保持一致，这就需要提前给原图像做Padding（补白）操作，即给图像增加额外的空白，增大图像尺寸使得卷积后大小为原图像大小，Padding操作示意图如下：
   
   在相同补白（Same Padding）模式下，需要补充的像素大小是N-（N-n+1）= n-1个，这里的n表示的是卷积核大小，如果n为奇数，则n-1为偶数，补得这n-1个像素可以在图像两侧对称分布，如果使用偶数的卷积核，n-1为奇数，无法在图像两侧对称分布。

2. 奇数卷积核有中心点，可以方便的确定位置，而偶数的卷积核不存在绝对的中心点。

1*1 卷积核

在残差网络的Bootleneck残差模块和GoogleNet的Inception模块里出现了1*1的卷积核：

• 与（2n+1） * （2n+1）的卷积核提取图像特征顺便降低图像尺寸不同，1*1的卷积核的作用是 提升或者降低特征（个数）的维度，而不改变图像的宽高 。这里的维度是指图像的通道数（厚度，如RGB图像的通道数是3， 10个单通道的特征图一起组成通道数是10）。

例如经过某次卷积后，得到WH10的特征图，这里通道数是10，如果需要降维成WH6，即把10个特征图减少到6个。这就需要使用6组，每组10个的11的卷积核来实现。10个11的卷积核和上一层WH10的特征图卷积，得到一个WH1的特征图，使用6组这样的11卷积核，就可以得到WH6维度的特征图，实现了特征图的压缩，而不改变图像的宽高。这里一共有610=60个可训练参数。
同理，使用1*1卷积核也可以实现特征图升维。

从图像处理的角度看1*1的卷积操作，可以把它理解成是把N个图像按N个不同的系数融合的操作，需要多少个特征图就融合多少次。
.
.
参考原文链接：https://blog.youkuaiyun.com/dcrmg/article/details/79222164
.
.

.

• 得到的都是侥幸，失去才是常态！
• 钱到用时方恨少，点赞不够吃不饱，手有余香请点赞，您要赏点我不敢！