1x1的卷积作用
本文转载自https://blog.csdn.net/ybdesire/article/details/80314925
答案是：信道压缩
那么是怎么做到的呢？
对于如下的二维矩阵，做卷积，相当于直接乘以2，貌似看上去没什么意义。
但是，对于下面这种32通道的数据，如果我用1个1x1x32的卷积核与其做卷积运算，得到的就是1个6x6的矩阵。
在这个过程中，发生了如下的事情：
（1）遍历36个单元格（6x6）
（2）计算左图中32个信道中截面与卷积核中32个元素的乘积
（3）此时得到的结果，仍然是6x6x32的矩阵
（4）每个6x6的矩阵都叠加起来，得到一个6x6的矩阵
（5）接下来用Relu函数作用于这个6x6的矩阵
（6）得到6x6的输出
同理，如果我用N个1x1x32的卷积核与其做卷积运算，得到的就是N个6x6的矩阵。
所以，1x1的卷积，可以从根本上理解为：有一个全连接的神经网络，作用在了不同的32个位置上。
这种做法，通常称为1x1卷积或Network in Network。它的主要作用，就是降低信道数量。如下图
28x28x192的数据，被32个1x1x192的卷积核作用后，就变为28x28x32的数据。这也就是所谓信道压缩，信道降维。当然如果你愿意，也可以增加信道维度。这在Inception网络中很有用。
本篇参考了AndrewNG的Deep Learning课程。