1*1卷积过滤器 和正常的过滤器一样，唯一不同的是它的大小是1*1，没有考虑在前一层局部信息之间的关系。最早出现在 Network In Network的论文中 ，使用1*1卷积是想加深加宽网络结构 ，在Inception网络（ Going Deeper with Convolutions ）中用来降维.
由于3*3卷积或者5*5卷积在几百个filter的卷积层上做卷积操作时相当耗时，所以1*1卷积在3*3卷积或者5*5卷积计算之前先降低维度。那么，1*1卷积的主要作用有以下几点：
1、降维（ dimension reductionality ）
某次卷积之后的结果是W*H*100的特征，现在需要用1*1的卷积核将其降维成W*H*10，即100个通道变成10个通道：
通过一次卷积操作，W*H*100将变为W*H*1，这样的话，使用10个1*1的卷积核，显然可以卷积出10个W*H*1，再做通道的串接操作，就实现了W*H*5。
2. 升维
比如某次卷积之后的结果是W*H*6的特征，现在需要用1*1的卷积核将其降维成W*H*7，即6个通道变成7个通道：通过一次卷积操作，W*H*6将变成W*H*1，这样的话，使用7个1*1的卷积核，显然可以卷积出7个W*H*1，再做铜套串接操作，就实现了W*H*7。
3、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；