【1】全连接层换成卷积
好处：全连接层使得输入维度固定，替换成卷积可以输入任意大小的数据，适合检测分割等任务。
第一个全连接层的输入是7*7*512, 输出是4096. 这可以用一个卷积核大小7*7, 步长(stride)为1, 没有填补(padding), 输出通道数4096的卷积层等效表示, 其输出为1*1*4096, 和全连接层等价. 后续的全连接层可以用1x1卷积等效替代.
【2】inception中的1x1卷积核使用
好处（转）：
(1)卷积层共有的一个功能，可以实现通道方向的降维和增维，至于是降还是增，取决于卷积层的通道数（滤波器个数），在Inception v1中1*1卷积用于降维，减少weights大小和feature map维度。
(2)1*1卷积特有的功能，由于1*1卷积只有一个参数，相当于对原始feature map做了一个scale，并且这个scale还是训练学出来的，无疑会对识别精度有提升。
(3)增加了网络的深度
(4)增加了网络的宽度
(5)同时使用了1*1，3*3，5*5的卷积，增加了网络对尺度的适应性
假设previous layer的大小为28*28*192
a.weights.size() = 1*1*192*64+3*3*192*128+5*5*192*32=387072
a.feature map.size() = 28*28*64+28*28*128+28*28*32+28*28*192=28*28*416
b.weights.size() = 1*1*192*64+(1*1*192*96+3*3*96*128)+(1*1*192*16+5*5*16*32)+1*1*192*32=163328
b.feature map.size() = 28*28*64+28*28*128+28*28*32+28*28*32=28*28*256
在参数和特征图上都相应减少了