CNN（卷积神经网络）在机器视觉与图像识别领域应用越来越广泛，从简单的手写数字0-9mnist数据集识别到各种复杂的数据集识别与准确率提升。由于复杂的图片中含有很多其他的干扰，因此需要对图片进行滤波处理，也就是提取特征这既是卷积层的作用。
常用的卷积层中包括众多卷积核。卷积核中包括卷积核维数，卷积核通道数，以及卷积核的步长。通常使用的卷积核为1x1 3x3 5x5 ,卷积层可以对图像的维度大小进行压缩。
卷积层输出大小计算公式：
输入图片大小 W×W
Filter大小 F×F
步长 S
padding的像素数 P
输出图片维度为NxN
N=（W-F+2P）/S+1
所以我们可以推测1x1的卷积核的作用，比如输入为28x283的图片，1x13的卷积核，步长为1，padding=0
N=(28-1+0)/1+1=28
可以发现到输出图片维度并没有改变，但是输出的图像变为单通道的feature map，起到了图像压缩的效果，这就是1x1卷积核的作用。
