目录

　　

　　

　　

---

可以减少计算量，可以增加非线性判别能力

举例

假设有1个高为30、宽为40，深度为200的三维张量与55个高为5、宽为5、深度为200的卷积核same卷积，步长=1，则结果是高为30、宽为40、深度为55的三维张量，如图所示：

该卷积过程的乘法计算量大约为5*5*200*30*40*55=330000000，这个计算量很大。

接着，我们可以考虑第二种卷积过程，先利用1*1的卷积核在深度上降维，然后升维：

上述卷积过程的计算量大约为：

第一步：1*1*200*30*40*20=4800000

第二步：5*5*20*30*40*55=33000000

总的乘法计算量大约为：37800000

显然，得到同样的最终的结果，采用第二种方式，即首先在深度方向上降维，第二种的计算量是第一种的37800000/330000000=0.11。

 

第二步中的中间层也可以叫做瓶颈层，因为他是整个网络中最小的，你可能会问：你这样大幅地缩小模型的规模会不会影响到网络的性能？事实证明只要合理构建瓶颈层，你既可以显著缩小瓶颈层规模，又不会降低网络性能，从而大量减少了计算。

另外，因为又引入了一层结构，激活函数可以引入额外的非线性能力.

 

 

在Inception module上的应用

在googlenet中的inception module中就使用了这种1*1的卷积核做降维，以减少计算量和增加非线性判别能力

 

 

参考资料

《图解深度学习与神经网络：从张量到TensorFlow实现》_张平

inceptionV1-Going Deeper with Convolutions

《深-度-学-习-核-心-技-术-与-实-践》

吴恩达深度学习