对于如下的二维矩阵，做1x1卷积，相当于直接乘以2，貌似看上去没什么意义。
但是，对于下面这种32通道的数据，如果用1个1x1x32的卷积核与其做卷积运算，得到的就是1个6x6的矩阵。
在这个过程中，发生了如下的事情：
（1）遍历36个单元格（6x6）
（2）计算左图中32个通道中截面与卷积核中32个元素的乘积
（3）此时得到的结果仍然是6x6x32的矩阵
（4）每个6x6的矩阵都叠加起来得到一个6x6的矩阵
（5）接下来用Relu函数作用于这个6x6的矩阵
（6）得到6x6的输出
同理，如果用N个1x1x32的卷积核与其做卷积运算，得到的就是N个6x6的矩阵。
所以，1x1的卷积可以从根本上理解为：有一个全连接的神经网络，作用在了不同的32个位置上。
这种做法通常称为Network in Network。它的主要作用就是降低通道数量。如下图所示：
28x28x192的数据被32个1x1x192的卷积核作用后，就变为28x28x32的数据。这也就是所谓通道压缩。这在Inception网络中很有用。