1.降维或升维，减少参数量
通过1*1卷积核的个数，来控制输出的通道数也就是维度
通过一次卷积操作，W*H*6将变为W*H*1，这样的话，使用5个1*1的卷积核，显然可以卷积出5个W*H*1，再做通道的串接操作，就实现了W*H*5
对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！
图示：
goolenet为例：
resnet为例：
同样也利用了1x1卷积，并且是在3x3卷积层的前后都使用了，不仅进行了降维，还进行了升维，使得卷积层的输入和输出的通道数都减小，参数数量进一步减小，
加入1x1卷积后可以降低输入的通道数，卷积核参数、运算复杂度也就降下来了
2.跨通道的信息融合：
上图是输入4个通道的原图，用两个卷积核w1和w2对图像进行卷积；
w1分别在四个通道上进行卷积，然后结果相加就得到了w1卷积后的结果，融合了四个通道；w2同样，再做通道连接，也就形成了2维的结果。