1x1卷积的作用

1. 压缩通道
   例子：
   对于下面这种32通道的数据，如果用1个1x1x32的卷积核与其做卷积运算，得到的就是1个6x6的矩阵
   
   同理，如果用N个1x1x32的卷积核与其做卷积运算，得到的就是N个6x6的矩阵。

也就是说我们可以通过改变1x1卷积核的个数来改变最后输出的通道数

2. 控制特征图的深度
   1x1的卷积核由于大小只有1x1，所以并不需要考虑像素跟周边像素的关系，它主要用于调节通道数，对不同的通道上的像素点进行线性组合，然后进行非线性化操作，可以完成升维和降维的功能，如下图所示，选择2个1x1大小的卷积核，那么特征图的深度将会从3变成2，如果使用4个1x1的卷积核，特征图的深度将会由3变成4，
   
3. 减少参数
   前面所说的降维，其实也是减少了参数，因为特征图少了，参数也自然跟着就减少，相当于在特征图的通道数上进行卷积，压缩特征图，二次提取特征，使得新特征图的特征表达更佳。接着再通过两个例子来看看它是如何减少参数的。
   在GoogleNet的3a模块中，假设输入特征图的大小是2828192,1x1卷积通道为64,3x3卷积通道为128,5x5卷积通道为32：
   

上面的卷积核参数计算如下：
192 × (1×1×64) +192 × (3×3×128) + 192 × (5×5×32) = 387072
而下面的3x3卷积层前加入通道数为96的1x1的卷积，5x5的特征图后面加入通道数为16的1x1的卷积，参数的计算如下：
192 × (1×1×64) +（192×1×1×96+ 96 × 3×3×128）+（192×1×1×16+16×5×5×32）= 157184

4. 实现了跨通道的信息组合，并增加了非线性特征
   使用11卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化，33，64channels的卷积核前面添加一个11，28channels的卷积核，就变成了33，28channels的卷积核，原来的64个channels就可以理解为跨通道线性组合变成了28channels，这就是通道间的信息交互。因为1*1卷积核，可以在保持feature map尺度不变的（即不损失分辨率）的前提下大幅增加非线性特性（利用后接的非线性激活函数），把网络做的很deep，增加非线性特性。