1*1的卷积核作用

目前初步接触到的作用：
降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter（1 * 1 * 100）上做1*1的卷积，那么结果的大小为500 * 500 * 20。

升维同理。

深度学习中，卷积本质上是对信号按元素相乘累加得到卷积值：

卷积：多通道形式
一个5 x 5 x 3矩阵，有3个通道，filters是3 x 3 x 3矩阵。首先，filters中的每个kernels分别应用于输入层中的三个通道，执行三次卷积，产生3个尺寸为3×3的通道：

将这三个通道相加（逐个元素相加）以形成一个单个通道（3 x 3 x 1），该通道是使用filters（3 x 3 x 3矩阵）对输入层（5 x 5 x 3矩阵）进行卷积的结果：

可以将这个过程视作将一个3D-filters矩阵滑动通过输入层。注意，这个输入层和filters的深度都是相同的（即通道数=卷积核数）。

现在我们可以看到如何在不同深度的层之间实现过渡，假设输入层有 Din 个通道，而想让输出层的通道数量变成 Dout，我们需要做的仅仅是将 Dout个filters应用到输入层中。每一个filters都有Din个卷积核，都提供一个输出通道。在应用Dout个filters后，Dout个通道可以共同组成一个输出层。标准 2D-卷积，通过使用 Dout 个filters，将深度为 Din 的层映射为另一个深度为 Dout 的层：

可以看出，当卷积核宽高为1*1时，我们只需要控制卷积核的个数就可以实现对输入信息通道数的控制，起到改变维度的作用，可以改变feature maps的channel数目。

本文图片来源：知乎@初识CV
这位大佬讲得很详细
https://www.zhihu.com/question/56024942/answer/1850649283