一、先看一个示意的MLPConv
在 卷积神经网络中，无论是输入还是输出，不同的 feature map 之间的卷积核是不相同的；
在mlpconv中，不同的 feature map 之间的开头与结尾之间的权值不一样，而在 隐含层之间的权值是共享的；
第一层的卷积核大小为2*2， 步长为1， 输入为2*（4 *4）， 输出为 4*（3*3）；普通卷积层
第二层的卷积核大小为1*1， 步长为1， 输入为4*（3 *3）， 输出为 3*（3*3）；CCCP层
第三层的卷积核大小为1*1， 步长为1， 输入为3*（3 *3）， 输出为 2*（3*3）；CCCP层
二、什么是1*1的卷积核
NIN 级联的跨特征图（Feature Map）整合过程，可以使得网络学习到复杂和有用的跨特征图特征，细看 NIN 的 caffe 实现，在每个传统卷积层后面接了两个 cccp 层（cascaded cross channel parametric pooling），实际上为两个1×1的卷积层，因此跨通道的参数化感知层等效于一个卷积核为1*1 的卷积层：
三、作用
1.在每个局部感受野中增加更复杂的运算，代替使用大量滤波器，从而减少参数。
2.引入更强的非线性，Conv+CCCP+CCCP，3层每层都接relu
3.1*1卷积核在GoogleNet里可以起到降维的作用。