1、公升/降維
維度指通道數，厚度。不是的寬/高
示例
上圖的1..6就是通道數。
通道可以結合影象來理解
比如：rgb這是好理解的通道數。三通道乙個圖。三通道有各自的畫素值。和一起，是彩圖
當想改變通道是數目《==》厚度。就用1*1*m （m是新的被改變的通道數）
上圖長* 寬* 高 和 1* 1卷積得到 長*寬
用m個1*1的卷積，就能把通道數從6變為m
2、可以看成全連線
第一層有6個神經元，分別是a1—a6，通過全連線之後變成5個，分別是b1—b5，第一層的六個神經元要和後面五個實現全連線
本圖中只畫了a1—a6連線到b1的示意，可以看到，在全連線層b1其實是前面6個神經元的加權和，權對應的就是w1—w6，到這裡就很清晰了：
第一層的6個神經元其實就相當於輸入特徵裡面那個通道數：6，而第二層的5個神經元相當於1*1卷積之後的新的特徵通道數：5。 w1—w6是乙個卷積核的權係數，如何要計算b2—b5，顯然還需要4個同樣尺寸的核。
最後乙個問題，影象的一層相比於神經元還是有區別的，這在於是乙個2d矩陣還是乙個數字，但是即便是乙個2d矩陣的話也還是只需要乙個引數（1*1的核），這就是因為引數的權值共享。
ps：比如在fpn的主網路resnet中就會起到降低通道數的作用。
作者的演算法大致結構如下fig3：乙個自底向上的線路，乙個自頂向下的線路，橫向連線（lateral connection）。圖中放大的區域就是橫向連線，這裡1*1的卷積核的主要作用是減少卷積核的個數，也就是減少了feature map的個數，並不改變feature map的尺寸大小。
manofmountain：fpn: 一種高效的cnn特徵提取方法zhuanlan.zhihu.com
1 1卷積核的作用
如何理解跨通道的資訊互動和整合呢？首先還得從三維卷積的計算開始。如圖所示，藍色部分是乙個7 7 n 維數 的feature map，黃色塊為3 3 3的卷積核，將卷積核對應到藍色特徵中可以得到乙個紅色陰影區域，舉個具體的例子 假設卷積核所有的引數都為1。那麼紅色部分的數值 1 1 4 1 3 1 2...
1 1卷積核的作用和原理
1 1的卷積作用 1.常常用於降維 降通道數 其實也可以用於公升高維度。2.增加了跨通道的資訊互動 3.增加了非線性。這個存疑 原理 從圖的下部可以看出，使用1 1 5的卷積，在4 4 5的特徵圖上遍歷整個寬和高 4 4 相當於在寬高做加乘，得到4 4 1的特徵圖。也就是用3個 1 1的卷積，可以得...
卷積核裡面的引數怎麼來的 1 1卷積核的作用
1x1的卷積核由於大小只有1x1，所以並不需要考慮畫素跟周邊畫素的關係，它主要用於調節通道數，對不同的通道上的畫素點進行線性組合，然後進行非線性化操作，可以完成公升維和降維的功能，如下圖所示，選擇2個1x1大小的卷積核，那麼特徵圖的深度將會從3變成2，如果使用4個1x1的卷積核，特徵圖的深度將會由3...