1、降维（ dimension reductionality ）（减少参数）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。
2、升维（用最少的参数拓宽网络channal）
3、加入非线性。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；
4、跨通道信息交互（channal 的变换）例子：使用1*1卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化，3*3，64channels的卷积核后面添加一个1*1，28channels的卷积核，就变成了3*3，28channels的卷积核，原来的64个channels就可以理解为跨通道线性组合变成了28channels，这就是通道间的信息交互。注意：只是在channel维度上做线性组合，W和H上是共享权值的sliding window
5、从fully-connected layers的角度来理解1*1卷积核，将其看成全连接层
11.1*1卷积的主要作用有以下几点：
猜你喜欢
转载自blog.csdn.net/Wgb_0206/article/details/88793705
今日推荐
周排行