---
created: 2025-08-03 21:19:11
tags:
  - "Research"
  - "基础"
  - "CNN"
  - "1x1卷积"
  - "通道数"
---

1x1 卷积层是一种特殊的卷积层，它在空间维度上没有变化，但在通道维度上可以进行变换。通过 1x1 卷积层，可以有效地调整输入特征图的通道数。下面是详细的解释：

### 1. 1x1 卷积的基本原理

1x1 卷积层的卷积核大小为 1x1，这意味着它在空间维度上不进行任何卷积操作，只在通道维度上进行线性变换。具体来说，1x1 卷积层可以看作是一个全连接层（fully connected layer），但它作用于每个像素点上。

### 2. 调整通道数的机制

假设输入特征图的形状为 `(N, C_in, H, W)`，其中：
- `N` 是批量大小，
- `C_in` 是输入通道数，
- `H` 和 `W` 是特征图的高度和宽度。

1x1 卷积层的输出通道数为 `C_out`，那么卷积核的形状为 `(C_out, C_in, 1, 1)`。每个卷积核在每个像素点上进行线性组合，从而将输入通道数 `C_in` 转换为输出通道数 `C_out`。

### 3. 具体操作

1. **输入特征图**：形状为 `(N, C_in, H, W)`。
2. **卷积核**：形状为 `(C_out, C_in, 1, 1)`。
3. **卷积操作**：对于每个像素点 `(h, w)`，卷积核在该像素点上进行线性组合，计算公式如下：
   $$
   \text{output}(n, c_{\text{out}}, h, w) = \sum_{c_{\text{in}}=0}^{C_{\text{in}}-1} \text{input}(n, c_{\text{in}}, h, w) \cdot \text{kernel}(c_{\text{out}}, c_{\text{in}}, 0, 0) + \text{bias}(c_{\text{out}})
   $$
   其中：
   - $n$ 是批量索引，
   - $c_{\text{in}}$ 是输入通道索引，
   - $c_{\text{out}}$ 是输出通道索引，
   - $h$ 和 $w$ 是像素点的坐标，
   - $kernel(c_{\text{out}}, c_{\text{in}}, 0, 0)$ 是卷积核的权重，
   - $bias(c_{\text{out}})$ 是偏置项。

4. **输出特征图**：形状为 `(N, C_out, H, W)`。

### 4. 优点

1. **通道数调整**：1x1 卷积层可以灵活地调整输入特征图的通道数，使其与输出特征图的通道数匹配。
2. **参数效率**：相对于标准的卷积层，1x1 卷积层的参数数量较少，计算成本较低。
3. **特征融合**：1x1 卷积层可以在通道维度上进行特征融合，使得模型能够更好地利用输入特征。

### 示例代码
在[[U-net]]中的UnetBlock模块会遇到[[残差链接 (Residual Skip Connect)|残差块]]前后通道数不相等的情况, 这时候就需要使用1 * 1的卷积层
```python
import torch
import torch.nn as nn

class UnetBlock(nn.Module):

    def __init__(self, shape, in_c, out_c, residual=False):
        super().__init__()
        self.ln = nn.LayerNorm(shape)
        self.conv1 = nn.Conv2d(in_c, out_c, 3, 1, 1)
        self.conv2 = nn.Conv2d(out_c, out_c, 3, 1, 1)
        self.activation = nn.ReLU()
        self.residual = residual
        if residual:
            if in_c == out_c:
                self.residual_conv = nn.Identity()
            else:
                self.residual_conv = nn.Conv2d(in_c, out_c, 1)  # 1x1 卷积层

    def forward(self, x):
        out = self.ln(x)
        out = self.conv1(out)
        out = self.activation(out)
        out = self.conv2(out)
        if self.residual:
            out += self.residual_conv(x)  # 使用1x1卷积层调整通道数
        out = self.activation(out)
        return out
```

### 总结

1x1 卷积层通过在每个像素点上进行线性组合，可以有效地调整输入特征图的通道数。这种方法在保持空间维度不变的情况下，实现了通道维度上的变换，使得模型能够更好地利用输入特征，同时保持计算效率。在残差连接中，1x1 卷积层用于调整输入和输出的通道数，确保残差连接的有效性。

希望这些解释对你有所帮助！如果你有任何进一步的问题，请随时告诉我。