卷积核参数的计算及1*1卷积核
卷积过程
首先，明确一个概念：卷积并不只是一个二维的过程，实际上对于输入的图片一般而言是三个通道的（R、G、B），那为什么输出的结果可以是128个通道呢？实际上经过卷积过后的通道数是由卷积核的个数来决定的，整个的卷积过程二维情况下也就是在每个通道下发生的卷积过程为：
在多通道情况下的卷积情况如下：
其实滤波器的维度应该是和输入图片相同的，输出的维度则是由滤波器的个数决定，卷积过程为：
如果把输入当做一个立方体的话，那么 filter 也是一个立方体，它们卷积的结果也是一个立方体，并且上面中 input、filter、Result 的通道都是一致的。
但卷积过程的最后一步要包括生成 feature，很简单，将 Result 各个通道对应坐标的值相加就生成了 feature，相当于将多维的 Result 压缩成了 2 维的 feature。
然后由于有多个卷积核，因此会生成很多个同样尺度的feature map，这多个feature map叠加在一起即生成了最后的输出。
卷积核参数的计算
同样需要明确一个概念：比如某层的卷积核参数为3*3*64，表示卷积核的尺寸为3*3的，卷积核的个数是64个，这也就意味着经过该层卷积后的图像通道是64，那么参数的数量是不是就是3*3*64呢？答案是：不是的。实际上，卷积核的参数还取决于上一层的输出的通道数。
比如上一层的输出是28*28*192的，也就意味着每个3*3的卷积核需要在192个通道都进行一遍卷积，最后在对每个位置进行相加，形成一张feature map。
但是，同一个卷积核在192个通道的参数并不是相同的，也就意味着实际上测卷积核参数个数应该是3*3*192*64。
1*1卷积核的作用
1.实现跨通道的交互和信息整合
2.进行卷积核通道数的降维和升维
具体参见：https://blog.csdn.net/qq_36673141/article/details/78226904