1×1卷积核在卷积神经网络（CNN）中扮演着关键角色，主要用于调整通道数、融合通道信息以及优化计算效率。下面将对它详细解析：

1. 调整通道数（升维或降维）

1×1卷积核可用于增加或减少特征图的通道数。​通过设置不同数量的1×1卷积核，可以实现对通道数的精确控制，从而达到升维或降维的目的（实际是改变通道数）。​

示例：

• 左侧部分（红、绿、蓝）：代表输入特征图，包含多个通道（如图3个通道）。
• 中间部分：代表 1×1 卷积核，它对输入特征图的每个像素点进行通道间加权计算，而不改变空间维度（即长宽）。
• 右侧部分（米黄色）：代表输出特征图。

​如上图所示，使用1个 1×1卷积核，则卷积后由3个通道数降维成1个通道数。

​如上图所示，使用2个 1×1卷积核，则卷积后由3个通道数降维成2个通道数。

​如上图所示，使用4个 1×1卷积核，则卷积后由3个通道数升维成4个通道数。

2. 融合通道间信息

传统卷积主要关注空间特征，而1×1卷积核则侧重于通道间的信息融合。每次卷积均是由多个通道和卷积核进行线性组合，从而实现通道间的信息交互，提升特征表达能力。​

3. 降低计算量

在深度可分离卷积（Depthwise Separable Convolution）中，1×1卷积核用于降低计算量。​首先，对每个通道独立执行深度卷积（depthwise convolution），然后使用1×1卷积将通道信息进行线性组合。​这种方法显著减少了参数数量和计算复杂度。​

3.1. 传统卷积的计算量

假设我们有一个输入特征图，尺寸为：,如果使用 标准的 卷积核（如 3×3），并且输出通道数为 ，那么计算量如下：

3.2. 1×1 卷积的计算量

相比之下，在其他参数相同的情况下，1×1 卷积 的卷积核大小是 1×1，所以计算量变成：

比 3×3 卷积减少了 9 倍！

4. 增强非线性表达能力

虽然1×1卷积核本质上是线性变换，但是可以在保持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（如ReLU），可以增强模型的非线性表达能力。​

5. 应用案例

5.1 GoogLeNet中的Inception模块：

在GoogLeNet的Inception模块中，使用1×1卷积核来减少通道数，从而降低计算量。​在保持性能的同时，提高了计算效率。​

示意图：

5.2 ResNet中的Bottleneck Block结构：

ResNet采用了Bottleneck Block结构，其中包含两个1×1卷积层，用于先减少再恢复通道数，降低了参数量。​（如图由变成）

示意图：

参考：

1x1卷积核的作用_哔哩哔哩_bilibili

斯坦福CS231n

【AI面试】卷积神经网络中的1x1卷积核是什么？作用是什么？