分享一个面试字节的经历。
1、面试过程
一面：上来就直接"做个题吧"，做完之后，对着简历上一个项目聊，一直聊到最后，还算比较正常。
二面：做自我介绍，花几分钟聊了一个项目，剩下20分钟全聊基础，CNN、pooling、1x1卷积，最后又做了一个题。
三面：做了个自我介绍，聊 GPU 与显存的内容，然后跟我讲业务，反问了我一句："你们这个从0到1之后能从1到100吗？有可持续研究的价值吗？"，问的是一脸懵。
最后在反问环节，我了解到他们部门竟然以NLP为主，但是面试问的全是 CV 方向的。
最后面试挂了，真的很奇葩。
这让我回想起几年前我面试某大厂的时候，被问到了很多深度学习相关的知识，那时的我懂的不多，可以说是被面试官360度无死角蹂躏。
那次面试，印象最深的就是被问到了和上面的小伙伴遇到的一样的问题：1X1卷积的作用。
今天就介绍一下：在卷积神经网络中，1x1的卷积都有什么作用？
2、在卷积神经网络中，1x1的卷积有什么作用呢？
大概有以下几个作用。
第一是可以实现输出feature map(特征图)的升维和降维
第二个是可以减少模型中的参数量，从而减少计算量，提升模型的推理性能
除此之外，就是使用1x1的卷积可以增加网络的深度，从而提升模型的非线性表达能力。
3、1x1的卷积是如何实现升维和降维的
这里说的1x1的卷积实现升维和降维的功能，指的是 feature map 通道维度的改变，也即特征维度的改变。
这是因为1x1的卷积，卷积核长宽尺寸都是 1，在计算的过程中，不存在长、宽方向像素之间的融合计算(乘累加计算)，而仅仅存在通道之间的融合计算。
因此，在这种情况下，1x1的卷积所能改变的仅仅是通道数。
而从卷积算法上可以看出，卷积核的个数就是卷积输出的通道数。因此如果想让输出特征图的通道数增大，就要使用更多数量的卷积核来做卷积，从而实现特征维度的升或者降。
4、1x1的卷积是如何减少模型参数的
减少参数量可以这么理解：在输出相同特征图的前提下，将一个普通的卷积，替换成一个1x1的卷积加上另一个卷积，先进行降维，然后计算，如此一来整体的计算量要比普通卷积少。
举个例子，如上图所示。
假设一个卷积的输入通道是128，输出通道是32，如果不使用1x1的卷积，那么整个卷积的乘累加计算量是:
28x28x128x3x3x32 = 28901376
而如果使用1x1的卷积先降维处理，然后在降维之后的特征图上进行一个卷积计算，那么整体的乘累加计算量为：
128x28x28x16 + 28x28x16x3x3x32 = 5218304
两者对比，后者比前者减少了80%的计算量。
5、如何理解1x1卷积可以提升模型的非线性表达能力
神经网络模拟的就是一个非线性系统，之所以在卷积层后面增加非线性层，比如Relu层，其实就是这个道理。
而1x1的卷积可以使得在完成相同卷积功能的前提下，网络的层数变得更深(如上面的例子，一个普通卷积变成了2层卷积)。
网络层数的加深，就会导致更多非线性层数的增加，从而使得整个神经网络模型的非线性表达能力更强。
6、1x1的卷积还有其他哪些优势吗
1x1的卷积还可以增加通道之间的融合程度。
由于1x1卷积不存在长宽方向的像素融合，所有的计算都是通道之间的交叉计算，因此，可以更好的完成通道间的融合，而通道代表的是特征，因此可以更好的实现特征融合。
这一点，和全连接类似(因为1x1的卷积就可以表示为全连接)。
总之，如果在面试过程中被问到关于1x1的卷积问题，把上面的几点回答出来，这个问题基本就可以了，不知道有没有小伙伴被问道过这个问题呢，欢迎大家在评论区交流学习一下~~