1*1卷积的主要作用有以下几点：
1、降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。
2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力；
下图是Inception模块，为了消除尺寸对于识别结果的影响，一次性使用多个不同filter size来抓取多个范围不同的概念，让网络能够自己选择需要的特征。可以看到在Inception模块中，每个分支都加上一个1*1卷积的部分，这里1*1卷积的作用是让网络根据需要能够更灵活地控制数据的depth（即通道数），通过1*1卷积，可以将不同分支的feature map通道数调整到一直，便于后续操作（相加或concat）。这里的1*1卷积不止能降维，也可以升维，这完全取决与1*1卷积的通道数。
3、跨通道信息交互（channal 的变换）
如：使用1*1卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化，3*3，64channels的卷积核前面添加一个1*1，28channels的卷积核，就变成了3*3，28channels的卷积核，原来的64个channels就可以理解为跨通道线性组合变成了28channels，这就是通道间的信息交互。
参考链接： https://blog.csdn.net/u011862114/article/details/80530963?utm_source=blogxgwz2
1*1卷积的主要作用有以下几点：
1、降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。
2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力；
下图是Inception模块，为了消除尺寸对于识别结果的影响，一次性使用多个不同filter size来抓取多个范围不同的概念，让网络能够自己选择需要的特征。可以看到在Inception模块中，每个分支都加上一个1*1卷积的部分，这里1*1卷积的作用是让网络根据需要能够更灵活地控制数据的depth（即通道数），通过1*1卷积，可以将不同分支的feature map通道数调整到一直，便于后续操作（相加或concat）。这里的1*1卷积不止能降维，也可以升维，这完全取决与1*1卷积的通道数。
3、跨通道信息交互（channal 的变换）
如：使用1*1卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化，3*3，64channels的卷积核前面添加一个1*1，28channels的卷积核，就变成了3*3，28channels的卷积核，原来的64个channels就可以理解为跨通道线性组合变成了28channels，这就是通道间的信息交互。