CNN中的1x1卷积

在深度学习的过程中，发现了很多网络结构中都存在了有1x1卷积的存在。也就是说，之前我们通常选择的卷积核都是3x3或者5x5大小的，作用都是用来提取特征，那么这么使用的1x1卷积核有什么作用呢，表面上看来是不是这个卷积核在输入上滑动，就相当于给输入元素乘以一个系数，逐格逐元素提取特征呢。其实并非这么简单。
另外，1x1卷积这个方法也是现在比较火的方法，如 googLeNet、ResNet、DenseNet ，中得到了非常广泛的应用。特别是在 googLeNet 的 Inception中，发挥的淋漓尽致。
它的作用总结下来大致分为两个方面：
1、改变通道
（1）升 / 降维
（2）数据融合
（3）减少计算量
2、非线性操作

1、改变通道

通道的概念这里在再复习一下。
在彩色图像中通道RGB通道为 3 ，也就是（红、黄、蓝）三个通道。比如一张彩色输入图片为 128x128x3.。这里可能会问，那后面卷积之后出现的（比如说）64x64x32 后面的通道为32吗？
这里的数据就不再是最开始输入的图像数据了，这里通过卷积之后就变成了特征数据，后面的通道32也不再是表示什么红黄蓝之类的东西了，而是与之卷积的卷积核的数量。
（1）降维 / 升维
很容易知道由于1x1的卷积不会改变原始数据的 height 和 width