一句话理解深度学习中1×1卷积的作用

作用

以图片为例，只改变数据特征的通道数，图片数据的高（H）与宽（W）维持，不发生改变。

介绍

      使用 1x1 的卷积操作可以实现通道数的改变，这是因为 1x1 卷积的作用是在每个空间位置进行逐元素的线性变换。虽然它的卷积核大小很小，但它能够改变数据的通道数。
下面是对这个过程的解释： 

1.输入数据的形状为 [B, C, H, W]，其中 B 是批次大小（batch size），C 是输入数据的通道数（channels），H 和 W 是输入数据的高度和宽度。
2.对输入数据应用 1x1 的卷积操作，卷积核的形状为 [C', C]，其中 C' 是输出数据的通道数。
3.在每个空间位置，1x1 卷积会对输入数据的通道维度进行线性变换，将输入通道的每个元素与对应的卷积核参数进行点乘并相加，产生输出通道的一个元素。
4.经过 1x1 卷积操作后，输出数据的形状变为 [B, C', H, W]，其中 B 是批次大小，C' 是输出数据的通道数，H 和 W 保持不变。

       通过这种方式，1x1 卷积操作可以改变数据的通道数，从而在深度学习模型中起到调整和控制特征通道维度的作用。它通常被用于改变特征的维度、调整网络的参数量和计算量，并且可以在不改变特征图空间尺寸的情况下引入非线性变换。
     由于 1x1 卷积操作的计算量较小，它在很多深度学习模型中被广泛使用，例如用于降低通道数、增加非线性表达能力以及实现特征的维度变换等。