Deep learning 关于使用1*1卷积的技巧

我曾经读过关于使用1*1卷积的以下语句，它可以帮助连接不同维度的输入和输出：

例如，要将激活维度HxW减少2倍，可以使用步长为2的1x1卷积

如何理解此示例？

您可以使用2的步幅。然而，我不会说这是一个把戏，不是一个保留信息的神奇解决方案。您将丢失一半的信息。我也不会将此方法限定为池方法

内核大小是一个像素高，一个像素宽，一次移动两个像素。因此，对于一行上的每个像素，内核将每两个像素输出一个值，即将输出该行上像素数的一半。对于高度，内核将完全丢弃一半的行

以下是6x6输入上大小为1x1和跨距为2的二维卷积的示例。在左边，深黄色的1x1补丁是内核的连续位置。右边是生成的图像，形状为3x3

---

当您使用步幅2的1x1卷积时，输出的维数将是原来的一半，因为您在每个备选像素上都应用了1x1滤波器。我只想指出，OP自己提到过使用步幅2。也许他们无法正确地想象它，而你的说明会有所帮助。