CNN中1x1卷积的用处和优点
来源:互联网 发布:蚂蚁网络电视安卓版 编辑:程序博客网 时间:2024/05/21 18:34
在CNN中,有一个比较特殊的卷积结构,就是1x1的卷积。
1x1的卷积其实和pooling层的作用很像,但是pooling层的减少数据量的作用只能作用于图片的尺寸,无法对channel(通道数)进行缩减,所以1x1的卷积就拥有减少通道数的作用。举个例子,例如28x28x64的经过2x2的最大pooling,stride为2,则可以获得14x14x64的图片,而经过1x1x32的卷积层之后,就可以获得28x28x32的图片,这就减少了通道数。而减少的一半的通道数好像丢失了很多数据,其实也不是,因为1x1x32是一个有参数学习的卷积层,所以通道数减少而导致的数据减少其实也是一种学习过程,所以这对CNN来说有一定的好处。还有就是在inception的结构中,一般都先用1x1的卷积预先处理一下数据,在用常规卷积处理1x1卷积处理过后的数据,这样可以节省很多的计算量。
对于新手学CNN,建议参考别人已经训练好权重的网络,修改一下最后的softmax层和预测结果来学习CNN。毕竟别人训练好的权重可能是经过大量的数据和很多GPU并行训练出来的结果,大部分情况下都比你从头来用小部分数据训练出来的结果好点。
阅读全文
0 0
- CNN中1x1卷积的用处和优点
- CNN 中1X1卷积核的作用
- CNN不同领域的共性 & 1X1卷积核
- 1X1中卷积核的作用
- CNN 中, 1X1卷积核到底有什么作用呢?
- CNN 中, 1X1卷积核到底有什么作用呢?
- CNN 中, 1X1卷积核到底有什么作用呢?
- CNN 中, 1X1卷积核到底有什么作用呢?
- CNN 中, 1X1卷积核到底有什么作用呢
- CNN中,1X1卷积核到底有什么作用呢?
- 循环队列的用处和优点
- caffe中的卷积的计算细节和1x1卷积作用
- caffe中的卷积的计算细节和1x1卷积作用
- CNN中卷积的意义
- 【机器学习】关于CNN中1×1卷积核和Network in Network的理解
- CNN中1×1的卷积核的作用
- 以V1中Inception Module为例说明1x1卷积核的作用
- CNN中RGB图像的卷积
- on、where、having的区别
- 基础排序:快速排序
- eclipse-indigo如何安装activiti工作流框架插件
- python生成器函数以及生成器表达式
- java详解 --- 进制、变量、运算符及流程控制
- CNN中1x1卷积的用处和优点
- MCP,eMMC,eMCP区别和联系
- node.js 创建服务器及客户端
- Mybatis缓存
- chap1 lambda 表达式
- 拦截器和过滤器监听器的区别执行顺序
- 将指定的form表单中所有的输入项转为json数据{key:value,key:value}
- VS调试时断点无法进入或命中的原因及解决方法(PDB引发的)
- 大O符号