1*1卷積的主要作用有以下幾點：
1、降維（ dimension reductionality ）。比如，一張500 * 500且厚度depth爲100 的圖片在20個filter上做1*1的卷積，那麼結果的大小爲500*500*20。
2、加入非線性。卷積層之後經過激勵層，1*1的卷積在前一層的學習表示上添加了非線性激勵（ non-linear activation ），提升網絡的表達能力；
下圖是Inception模塊，爲了消除尺寸對於識別結果的影響，一次性使用多個不同filter size來抓取多個範圍不同的概念，讓網絡能夠自己選擇需要的特徵。可以看到在Inception模塊中，每個分支都加上一個1*1卷積的部分，這裏1*1卷積的作用是讓網絡根據需要能夠更靈活地控制數據的depth（即通道數），通過1*1卷積，可以將不同分支的feature map通道數調整到一直，便於後續操作（相加或concat）。這裏的1*1卷積不止能降維，也可以升維，這完全取決與1*1卷積的通道數。
3、跨通道信息交互（channal 的變換）
如：使用1*1卷積核，實現降維和升維的操作其實就是channel間信息的線性組合變化，3*3，64channels的卷積核前面添加一個1*1，28channels的卷積核，就變成了3*3，28channels的卷積核，原來的64個channels就可以理解爲跨通道線性組合變成了28channels，這就是通道間的信息交互。
參考鏈接： https://blog.csdn.net/u011862114/article/details/80530963?utm_source=blogxgwz2