卷积（CNN）| 反卷积（TCNN、Transposed CNN）| 卷积过程中feature map的通道变化 | 1 × 1卷积核如何降维/升维

港控/mmm° 2024-03-26 15:38 79阅读 0赞

关于深度学习中的一些小概念，因为网上的资源有些散乱，这里总结一些自己的，**方便后面复习**，摘一些图，但是**会标明引用**！

--------------------

## 一、卷积 ##

对于卷积，下面一张图就够了，根据 `stride` 步长在 `feature map` 上移动卷积核进行的一种运算。1

![在这里插入图片描述][11e4dcdeef884e999ec1f7e8d688c04d.png_pic_center_x_16]

--------------------

## 二、反卷积 ##

反卷积两张图就可以说明白了，如下：

![在这里插入图片描述][32cae93832194f4f8c0d035258955264.png_pic_center_x_16]

注意：上图中绿色的即为反卷积核，我们可以得到4个feature map。

将4个feature map按照下图中进行叠加，就得到最终的feature map了，值得注意的是，确实是由  3 × 3 3\\times 3 3×3 变为  4 × 4 4\\times 4 4×4 了。

![在这里插入图片描述][724d40dfd6fc4b5c8d3549cda04f5353.png_pic_center_x_16]

--------------------

## 三、卷积过程中通道（channels）的变化 ##

既然谈到深度学习，那么什么是深度呢？一方面是指网络的层数，到底有多少个卷积层？另一方面，还包括 feature map 的通道数量。那么在两次卷积之间，通道（channels）到底是如何变化的呢？

看下面这一张图就够了。2

![在这里插入图片描述][a271bc9e32994d0a995c960bb1ecb89c.png_pic_center_x_16]

卷积过程中，输入层有多少个通道，滤波器就要有多少个通道(可以看到，input和filter是相同厚度的，也就是说卷积核的厚度应该是和输入的feature map的通道数相等才对的)，但是滤波器的数量是任意的（也就是说，我们到底有几个卷积核（filter）是可以变化的，也就是输出通道是可以控制的），滤波器的数量决定了卷积后 feature map 的通道数。

Q1：那么多通道，如果只有一个卷积核，最终为什么只输出一层feature map？

A1：这里是进行一个累加的，比如有 10 个通道，那么就有 10 层的卷积核，最终这 10 层是加到一起来得到一个的。当然我们如果有20个卷积核（filter）进行卷积，那么我们就会得到 20 层。

![在这里插入图片描述][a63c0da8e793449ca093eb3c3c4e3634.png_pic_center_x_16]

值得注意的是，用很多个卷积核的时候，每个卷积核的偏置是不同的3，这里自己还不太清楚，后面再补充。

--------------------

## 四、1 × 1卷积核的降维/升维 ##

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。4

如下图所示，如果选择2个filters的1x1卷积层，那么数据就从原本的depth 3 降到了2。若用4个filters，则起到了升维的作用。

![在这里插入图片描述][55dbb92b2e8544d698b67d7e4c9e4500.png_pic_center_x_16]

--------------------

1.  [https://blog.csdn.net/weixin\_39326879/article/details/120797857][https_blog.csdn.net_weixin_39326879_article_details_120797857] ↩︎
2.  [https://blog.csdn.net/briblue/article/details/83063170][https_blog.csdn.net_briblue_article_details_83063170] ↩︎
3.  [https://blog.csdn.net/weixin\_47125742/article/details/118788914][https_blog.csdn.net_weixin_47125742_article_details_118788914] ↩︎
4.  [https://zhuanlan.zhihu.com/p/27642620][https_zhuanlan.zhihu.com_p_27642620] ↩︎

[11e4dcdeef884e999ec1f7e8d688c04d.png_pic_center_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/b3e74da68343496094d374e17bc8855a.png
[32cae93832194f4f8c0d035258955264.png_pic_center_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/4ca3db7d8538494888353120befc4dc7.png
[724d40dfd6fc4b5c8d3549cda04f5353.png_pic_center_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/d4d358348a5144ce8948d5e95e69fe87.png
[a271bc9e32994d0a995c960bb1ecb89c.png_pic_center_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/eda199ef62ed45bd8a11009194384333.png
[a63c0da8e793449ca093eb3c3c4e3634.png_pic_center_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/a7eb1959db214982bb1111be15d8a5f7.png
[55dbb92b2e8544d698b67d7e4c9e4500.png_pic_center_x_16]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/6984510df1264298a1e279b210cfabd9.png
[https_blog.csdn.net_weixin_39326879_article_details_120797857]: https://blog.csdn.net/weixin_39326879/article/details/120797857
[https_blog.csdn.net_briblue_article_details_83063170]: https://blog.csdn.net/briblue/article/details/83063170
[https_blog.csdn.net_weixin_47125742_article_details_118788914]: https://blog.csdn.net/weixin_47125742/article/details/118788914
[https_zhuanlan.zhihu.com_p_27642620]: https://zhuanlan.zhihu.com/p/27642620