我的理解：就是通过1*1的卷积来大幅度改变通道数的操作，在残差网络中就是为了能减少训练参数，能加深网络层数。
在深度学习中经常听闻Bottleneck Layer 或 Bottleneck Features ，亦或 Bottleneck Block，其虽然容易理解，其意思就是输入输出维度差距较大，就像一个瓶颈一样，上窄下宽亦或上宽下窄，然而其正儿八经的官方出处没有一个能说出其所以然来，下面本文将对Bottleneck Layer 或 Bottleneck Features ，亦或 Bottleneck Block追根溯源，使之对Bottleneck Layer 或 Bottleneck Features ，亦或 Bottleneck Block有一个全面的认识。
首先来看一篇关于深度神经网络的有效处理 的综述文章对Bottleneck Building Block的表述："In order to reduce the number of weights, 1x1 filters are applied as a "bottleneck" to reduce the number of channels for each filter",在这句话中，1x1 filters 最初的出处即"Network In Network"，1x1 filters 可以起到一个改变输出维数（channels）的作用（elevation or dimensionality reduction）。下面来看一下ResNet对Bottleneck Building Block的表述：
其对应的图示如下：
可以看到，右图中 1x1 filters把维度（channels）升高了，输入输出维度差距较大。继续如下图所示：
还有一篇论文 "Improved Bottleneck Features Using Pretrained Deep Neural Networks" 对Bottleneck Building Block作了简单的描述："Bottleneck features are generated from a multi-layer perceptron in which one of the internal layers has a small number of hidden units, relative to the size of the other layers."
转自：https://blog.csdn.net/u011501388/article/details/80389164