SqueezeNet使用 1x1 卷积。我试图在这个简单的例子中理解它：如果输入是一个 MNIST 数字，即形状1x28x28x1（我使用Batch x Height x Width x Channel）。
然后应用 aConv2D(16, kernel_size=(1,1))产生一个大小的输出1x28x28x16，我认为每个通道1x28x28xi（1..16中的 i）只是输入层乘以一个常数。是对的吗？
更具体地说：Output[channel i][x,y] = InputLayer[x,y] * alpha_i对于 1..28 中的 x,y，其中alpha_i是每个通道的常数。
这个对吗？
这就像从 1 个通道变为 16 个相同的通道（除了每个通道乘以一个全局常数）。
它的目的是什么？
注意：我已经阅读了 1x1 卷积如何与全连接层相同？和1x1 卷积。数学是如何工作的？但这里略有不同。
首先，Conv2D(16, kernel_size=(1,1))应用于28x28x1将产生28x28x16，因为它不会改变维度的数量。其次，我查看了您所指的论文，并没有发现他们将1x1过滤器应用于只有一个通道的输入，如您提供的示例中所示。如果输入中只有一个通道，您的推理是正确的，但它不能转移到具有多个通道的输入。
Conv2D1x1根据定义，在选定区域的所有通道（在内核的情况下为一整列节点）和输出网格中相应的节点列之间分配权重。然后它根据步幅和填充参数将这些权重随后应用于所有有效区域。因此1x1，在 1 通道输入上应用内核没有意义，因为所有输出通道将彼此成正比，并且与输入通道也成比例。在多个通道的情况下，根据定义Conv2D，输出的每个节点将是相应输入列的加权（非平凡）总和，并且在大多数情况下不会与输入的任一通道成比例。
在这里找到有用的例子
1x1 卷积。
顺便说一句，一些论文使用 1x1 卷积，正如Network in Network首次研究的那样。有些人起初对 1x1 卷积感到困惑，尤其是当他们来自信号处理背景时。通常信号是二维的，因此 1x1 卷积没有意义（它只是逐点缩放）。然而，在 ConvNets 中情况并非如此，因为我们必须记住我们在 3 维体积上进行操作，并且过滤器总是延伸到输入体积的整个深度。例如，如果输入是 [32x32x3]，那么进行 1x1 卷积将有效地进行 3 维点积（因为输入深度是 3 个通道）。