https://blog.csdn.net/YOULANSHENGMENG/article/details/120908575\

是什么

通过一次卷积操作，W $\times$ H $\times$ 6将变为W $\times$ H $\times$ 5，这样的话，使用5个1 $\times$ 1的卷积核，显然可以卷积出5个W $\times$ H $\times$ 1，再做通道的串接操作，就实现了W $\times$ H $\times$ 5。
5个卷积核，每个卷积核的尺寸是1 $\times$ 1 $\times$ 6，也就是一种有30个参数。 我们还可以用另一种角度去理解1 $\times$ 1卷积，可以把它看成是一种全连接

第一层有6个神经元，分别是a1—a6，通过全连接之后变成5个，分别是b1—b5，第一层的六个神经元要和后面五个实现全连接，本图中只画了a1—a6连接到b1的示意，可以看到，在全连接层b1其实是前面6个神经元的加权和，权对应的就是w1—w6，到这里就很清晰了：
第一层的6个神经元其实就相当于输入特征里面那个通道数：6，而第二层的5个神经元相当于1 $\times$ 1卷积之后的新的特征通道数：5。
w1—w6是一个卷积核的权系数，如何要计算b2—b5，显然还需要4个同样尺寸的核。
图像的一层相比于神经元还是有区别的，这在于是一个2D矩阵还是一个数字，但是即便是一个2D矩阵的话也还是只需要一个参数（1 $\times$ 1的核），这就是因为参数的权值共享。

好处

1，灵活的控制特征图的深度；
2，减少参数
降维，其实也是减少了参数，因为特征图少了，参数也自然跟着就减少，相当于在特征图的通道数上进行卷积，压缩特征图；
3，二次提取特征，使得新特征图的特征表达更佳
4, 现了跨通道的信息组合，并增加了非线性特征
使用11卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化，实现了通道间的信息交互。因为11卷积核，可以在保持feature map尺度不变的（即不损失分辨率）的前提下大幅增加非线性特性（利用后接的非线性激活函数），把网络做的很deep，增加非线性特性。

conclusion

1 $\times$ 1的卷积在模型设计中已经成为一个非常标准的组件，通过1 $\times$ 1的卷积的升维和降维可以通过设计灵活的瓶颈结构提高参数的利用率。