在设计卷积神经网络架构时，有时候想压缩input的width 和 height，通常的做法便是 加一层pooling layer。
但是第三维的信息，有时候过多，而且过于复杂，这时候就要用到1x1xchannel的filter了。
如图：
1X1x192的filter相当于对图片的某一个像素点进行神经网络的全连接，并且在矩阵计算后，把channel从192变为32.
并且可以消减算力，比如想把28x28x192的图像以5x5的32个filter转换为28x28x32的图像，则可以添加一层bottleneck layer也就是16个1x1x192的filter，作为过渡
Google Inception Net 首次出现在 ILSVRC 2014 的比赛中（和 VGGNet 同年），就以较大优势拔得头筹。那届比赛中的 Inception Net 一般被称为 Inception V1（version 1），其最大的优势在于控制 了参数量（也就控制了计算量）的同时，仍然能够获得非常好的分类性能 —— top-5 错误率 6.67%。
其中大量运用了1x1的 filter，原因是：
- 图片数据天然地邻近区域的数据相关性较高，也即可通过卷积操作使相邻的像素点连接在一起。我们可十分方便构造多个卷积核，在同一空间位置但不同通道的卷积核的输出结果相关性较高。
- 因此一个 1×11×1 的卷积就可以很自然地将这些相关性很高的、在同一空间位置但不同通道的特征连接在一起，这也正是 1×11×1的卷积会频繁地应用到 Inception Net 中的原因。
- 1×11×1 卷积所连接的节点的相关性是最高的，而稍微大一点尺寸的卷积，3×33×3、5×55×5 的卷积所连接的节点相关性也很高，因此可进一步地使用一些稍大尺寸的卷积，增加特征多样性（diversity）