**：
發現很多網路使用了1x1卷積核，這能起到什麼作用呢？另外我一直覺得，1x1卷積核就是對輸入的乙個比例縮放，因為1x1卷積核只有乙個引數，這個核在輸入上滑動，就相當於給輸入資料乘以乙個係數。不知道我理解的是否正確。
我來說說我的理解，我認為1×1的卷積大概有兩個方面的作用吧：
1. 實現跨通道的互動和資訊整合
2. 進行卷積核通道數的降維和公升維
下面詳細解釋一下：
1. 這一點孫琳鈞童鞋講的很清楚。1×1的卷積層（可能）引起人們的重視是在nin的結構中，**中林敏師兄的想法是利用mlp代替傳統的線性卷積核，從而提高網路的表達能力。文中同時利用了跨通道pooling的角度解釋，認為文中提出的mlp其實等價於在傳統卷積核後面接cccp層，從而實現多個feature map的線性組合，實現跨通道的資訊整合。而cccp層是等價於1×1卷積的，因此細看nin的caffe實現，就是在每個傳統卷積層後面接了兩個cccp層（其實就是接了兩個1×1的卷積層）。
2. 進行降維和公升維引起人們重視的（可能）是在googlenet裡。對於每乙個inception模組（如下圖），原始模組是左圖，右圖中是加入了1×1卷積進行降維的。雖然左圖的卷積核都比較小，但是當輸入和輸出的通道數很大時，乘起來也會使得卷積核引數變的很大，而右圖加入1×1卷積後可以降低輸入的通道數，卷積核引數、運算複雜度也就跟著降下來了。以googlenet的3a模組為例，輸入的feature map是28×28×192，3a模組中1×1卷積通道為64，3×3卷積通道為128,5×5卷積通道為32，如果是左圖結構，那麼卷積核引數為1×1×192×64+3×3×192×128+5×5×192×32，而右圖對3×3和5×5卷積層前分別加入了通道數為96和16的1×1卷積層，這樣卷積核引數就變成了1×1×192×64+（1×1×192×96+3×3×96×128）+（1×1×192×16+5×5×16×32），引數大約減少到原來的三分之一。同時在並行pooling層後面加入1×1卷積層後也可以降低輸出的feature map數量，左圖pooling後feature map是不變的，再加卷積層得到的feature map，會使輸出的feature map擴大到416，如果每個模組都這樣，網路的輸出會越來越大。而右圖在pooling後面加了通道為32的1×1卷積，使得輸出的feature map數降到了256。googlenet利用1×1的卷積降維後，得到了更為緊湊的網路結構，雖然總共有22層，但是引數數量卻只是8層的alexnet的十二分之一（當然也有很大一部分原因是去掉了全連線層）。
最近大熱的msra的resnet同樣也利用了1×1卷積，並且是在3×3卷積層的前後都使用了，不僅進行了降維，還進行了公升維，使得卷積層的輸入和輸出的通道數都減小，引數數量進一步減少，如下圖的結構。（不然真不敢想象152層的網路要怎麼跑起來tat）
對於單通道的feature map和單個卷積核之間的卷積來說，題主的理解是對的，cnn裡的卷積大都是多通道的feature map和多通道的卷積核之間的操作（輸入的多通道的feature map和一組卷積核做卷積求和得到乙個輸出的feature map），如果使用1x1的卷積核，這個操作實現的就是多個feature map的線性組合，可以實現feature map在通道個數上的變化。接在普通的卷積層的後面，配合啟用函式，就可以實現network in network的結構了
還有乙個重要的功能，就是可以在保持feature map 尺寸不變（即不損失解析度）的前提下大幅增加非線性特性，把網路做得很deep。
1X1卷積核作用
從nin 到googlenet mrsa net 都是用了這個，為什麼呢？發現很多網路使用了1x1卷積核，這能起到什麼作用呢？另外我一直覺得，1x1卷積核就是對輸入的乙個比例縮放，因為1x1卷積核只有乙個引數，這個核在輸入上滑動，就相當於給輸入資料乘以乙個係數。不知道我理解的是否正確。ruirui ...
1x1卷積核的作用
參考知乎一篇文章h一文讀懂卷積神經網路中的1x1卷積核 撿點核心做下記錄 降維 公升維 由於 1 1 並不會改變 height 和 width，改變通道的第乙個最直觀的結果，就是可以將原本的資料量進行增加或者減少。這裡看其他文章或者部落格中都稱之為公升維 降維。但我覺得維度並沒有改變，改變的只是 h...
1x1的卷積核有什麼作用
通道壓縮 通 通 減 一 1 x 1的卷積核作用 所謂通道壓縮，network in network是怎麼做到的？對於如下的二維矩陣，做卷積，相當於直接乘以2，貌似看上去沒什麼意義 但是，對於下面這種32通道的資料，如果我用1個1x1x32的卷積核與其做卷積運算，得到的就是1個6x6的矩陣 在這個過...