对于卷积理解好的文章，卷积 1x1卷积核。卷积核卷积过程

对于卷积理解好的文章，卷积 1x1卷积核。卷积核卷积过程

待办

http://colah.github.io/posts/2014-07-Understanding-Convolutions/#fnref3

这篇文章阐述了，卷积的数学表达，概率方面从一维扩展到二维三维解释卷积的作用，我的理解是映射特征为一个三维向量，然后通过对个体各个特征的三维向量的结合(向量加)构建类别特征向量，从而实现分类。在一个三维坐标系中的三维向量是无限的，理论可以根据每个特征的唯一性，把个体的整个特征加和起来构成一个在此三维坐标系内唯一的三维向量。

只要把特征提取的标准做好了，理论上可以表示万事万物的类别。

扩展，输出的结果是否可以计算向量坐标系。从而形成更加系统的理论表示

问题： 确定卷积核的个数之后，各个卷积核的参数是怎么确定的，看论文好像是定义死的。如果卷积只是做特征提取，这个没毛病。

https://www.zhihu.com/question/39022858

知乎上对卷积分类激活过程的描述（根据目的不同，卷积层后包括激活函数，池化，全连接），观点是训练卷积核上的权值，使得只有与训练特征相似的才能，通过计算激活函数激活，

https://zhuanlan.zhihu.com/p/61898234

卷积神经网络反向传播过程分析，直观理解就是：原图的delta误差，等于卷积结果的delta误差经过零填充后，与卷积核旋转180度后的卷积。计算过程很详细看说明即可。

问题： 如何确定确定初始化时候卷积核的权值

卷积核个数怎么来的？
https://bbs.csdn.net/topics/392314323 随机初始化而后计算得来。 初始值要是都是随机的话，那么每个卷积核的误差都不一样，反向传播回来调整误差也都不一样，就会出来各种特征提取的卷积核。最后计算出来的卷积核就都是不一样的。

卷积核的共享和不共享理解
https://blog.csdn.net/amusi1994/article/details/81091145

卷积核的chanel 理解，以及如何使用1x1卷积核实现降维度、通道理解、
https://blog.csdn.net/sscc_learning/article/details/79814146#comments

https://blog.csdn.net/sscc_learning/article/details/79863922

1x1卷积维度变化过程