使用三个不同大小的卷积核主要是为了减少参数的数量。
目录
1.首先是卷积核的数量问题
2.其次是参数数量的计算：
3.增加跨通道信息的交互和增加非线性
1.首先是卷积核的数量问题
因为一张图片可能有很多特征，所以可能需要学习多个卷积核用来提取图像特征。
图中不同颜色代表不同的特征，需要学习对应数量的卷积核进行特征提取。
对于灰度图像，图像为2D
例如一个图像大小是5×5，
有一个3×3的卷积核对着图像进行卷积，步长为1，卷积结束后生成一个3×3的矩阵。
如果有2组卷积核对着图像卷积，就会生成2个3×3的矩阵。
同理有多少组卷积核对图像卷积就有多少个矩阵。
这个叫做通道。
对于RGB图像，图像为3维
若要提取2个特征，可以设置2个3维卷积核进行特征提取，提取结果为2通道的feature map，2个通道互相独立，代表着不同卷积核提取的不同特征。
2.其次是参数数量的计算：
-
概念图
进行卷积处理的卷积通道数默认和输入图像的通道数相等。
比如输入图像维度为256，进行特征提取的卷积核也默认是256维。
若设定输出64个特征，那么就一共有64个256维的卷积核用来提取特征，即提取特征的输出通道数为64，输出64个feature map。
-
运算过程
第一个1x1的卷积把256维channel降到64维，然后在最后通过1x1卷积恢复，参数数目：1x1x256x64 + 3x3x64x64 + 1x1x64x256 = 69632，全连接层(左图)就是两个3x3x256的卷积，参数数目: 3x3x256x256x2 = 1179648，差了16.94倍。
3. 增加跨通道信息的交互和增加非线性
如果卷积的输出输入都只是一个平面，那么1x1卷积核并没有什么意义，它是完全不考虑像素与周边其他像素关系。 但卷积的输出输入是长方体，所以1x1卷积实际上是对每个像素点，在不同的channels上进行线性组合（信息整合），且保留了图片的原有平面结构，调控depth，从而完成升维或降维的功能。
标签：妙用,升维,卷积,1x1,64,图像,参数,通道 来源： https://blog.csdn.net/kris_paul/article/details/118766639
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。