發現很多網絡使用1×1的卷積核，實際就是對輸入的一個比例縮放，因為1×1卷積核只有一個參數，這個核在輸入上滑動，就相當於給輸入數據乘以一個系數。（對於單通道和單個卷積核而言這樣理解是可以的）
對於多通道和多個卷積核的理解，1×1卷積核大概有兩方面的作用：
1.實現跨通道的交互和信息整合（具有線性修正特性，實現多個feature map的線性組合，可以實現feature map在通道個數上的變化，想象成跨通道的pooling，(輸入的多通道的feature map和一組卷積核做卷積求和得到一個輸出的feature map)
2.進行卷積核通道數的降維和升維（同時還具有降維或者升維功能）
3.在pooling層后面加入的1×1的卷積也是降維，使得最終得到更為緊湊的結構，雖然有22層，但是參數數量卻只是alexnet的1/12.
4.最近大熱的MSRA的resnet也利用了1×1的卷積，並且是在3×3卷積層的前后都使用了，不僅進行了降維，還進行了升維，使得卷積層的輸入和輸出的通道數都減小，數量進一步減少。如果1×1卷積核接在普通的卷積層后面，配合激活函數，就可以實現network in network的結構了。
5.還有一個很重要的功能，就是可以在保持feature map尺度不變的（即不損失分辨率）的前提下大幅增加非線性特性（利用后接的非線性激活函數），把網絡做的很deep。（平均池化是針對每個feature map的平均操作，沒有通道間的交互，而1×1卷積是對通道的操作，在通道的維度上進行線性組合）
一個filter對應卷積后得到一個feature map
不同的filter(不同的weight和bias)，卷積以后得到不同的feature map，提取不同的特征，得到對應的specialized neuro。