1×1卷积
我们经常会在各种网络中看到1×1的卷积核，这是一个非常实用的卷积核，那么为什么要使用1×1的卷积核呢？
我们可以从两个角度进行理解
信息融合
1×1卷积运算可以将多个通道的信息进行融合，例如上图中三个通道进行卷积后，变为一个通道，不同通道相同位置的像素会被加权相加在结果像素中。
在MobileNet中，需要进行Depthwise和pointwise操作：
- Depthwise：将每一个通道分为一个组，每组一个卷积核专门负责这一个通道的卷积，相比于普通的卷积，计算量大大下降
- Poinwise:因为每一个通道间都有关联，若只进行Depthwise会损失很多信息，我们需要将多个不相关的通道中的信息进行融合，就需要用到1×1卷积
升降维（减小计算量）
如上图所示，如果仅采用5×5的卷积核进行运算，那么我们的计算量是in_channels * Win * Hin * kernel_size ^ 2 * out_channels * Wout * Hout = 120，422，400
若先经过1×1的卷积运算将通道数将为16后在进行5 * 5的卷积运算，那么运算量会减少到十分之一
由此我们可以得到，通过1 * 1的卷积运算可以大大降低卷积运算的运算量
应用：googlenet每一个Inception最后、ResNet用于升降维、MobileNet 中的Pointwise
如下图所示（GoogleNet中的一个Inception）：
