主要作用：
1、跨通道的特征整合
2、特征通道的升維和降維
3、減少卷積核參數（簡化模型），對於單通道feature map 用單核卷積即為乘以一個參數，而一般情況都是多核卷積多通道，實現多個feature map的線性組合
4、可以實現與全連接層等價的效果。如在faster-rcnn中用1*1*m的卷積核卷積n（如512）個特征圖的每一個位置（像素點），其實對於每一個位置的1*1卷積本質上都是對該位置上n個通道組成的n維vector的全連接操作。
詳細解釋第四條：對於單通道的feature map和單個卷積核之間的卷積來說,1X1卷積核就是對輸入的一個比例縮放，因為1X1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。對於多通道而言有一個重要的功能，就是可以在保持feature map 尺寸不變（即不損失分辨率）的前提下大幅增加非線性特性，把網絡做得很deep。CNN里的卷積大都是多通道的feature map和多通道的卷積核之間的操作（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），如果使用1x1的卷積核，這個操作實現的就是多個feature map的線性組合，可以實現feature map在通道個數上的變化。接在普通的卷積層的后面，配合激活函數，就可以實現network in network的結構了。