1×1卷積，又稱為Network in Network

如果卷積的輸出輸入都只是一個平面，那麽1x1卷積核並沒有什麽意義，它是完全不考慮像素與周邊其他像素關系。 但卷積的輸出輸入是長方體，所以1x1卷積實際上是對每個像素點，在不同的channels上進行線性組合（信息整合），且保留了圖片的原有平面結構，調控depth，從而完成升維或降維的功能。
如下圖所示，如果選擇2個filters的1x1卷積層，那麽數據就從原本的depth 3 降到了2。若用4個filters，則起到了升維的作用。

1. 相當於輸入（6×6）每個元素對應的所有通道分別進行了全連接運算，輸出即為filters的數量。

2. 對於池化層，可以壓縮高度和寬度，1×1卷積，可以壓縮或增加通道數。

降維（ dimension reductionality ）或者升維。由於33卷積或者55卷積在幾百個filter的卷積層上做卷積操作時相當耗時，所以11卷積在33卷積或者5*5卷積計算之前先降低維度。比如，一張500×500且厚度depth為100 的圖片在20個filter上做1×1的卷積，那麽結果的大小為500×500×20。

3. 加入非線性。卷積層之後經過激勵層，1×1的卷積在前一層的學習表示上添加了非線性激勵（ non-linear activation ），提升網絡的表達能力；

1×1卷積的用途（Network in Network）