最近在啃有关cv方向的论文的时候，总会在网络结构中出现1×1的卷积核，之前一直是模棱两可的带过。故借此条博客，想把我理解的1×1卷积核的作用做一总结归纳。

（1）升维和降维

我们知道，图片经过1×1的卷积核是不会改变其高和宽的，所以想在不改变尺寸的情况下进行升维和降维就可以用到1×1的卷积核。

a(升维)

(b)降维

(2)各通道特征融合

这是1×1卷积核的核心作用，如图(b)所示，原来64通道的输入经过1×1卷积核之后，变成了32通道的输出。从64到32， 可以理解为64个通道跨通道线性组合变成了32通道(就是这64个通道之间经过某种线性组合变成了32)。实现了信息的交互。

下面用代码实现一下用1×1卷积核降维的实例

import torch
from torch import nn

input =  torch.ones(1,28,3,3)

class Conv(nn.Module):
    def __init__(self):
        super(Conv, self).__init__()
        self.conv = torch.nn.Conv2d(28,3,kernel_size=1,padding=0,stride=1)
    def forward(self,x):

     output = self.conv(x)
     return output

def weight_init(m):
    if isinstance(m, nn.Conv2d):
        nn.init.constant_(m.weight,2)
        nn.init.constant_(m.bias, 0)
net = Conv()
net.apply(weight_init)


output = net(input)

print(output)
print(output.size())

 输入是维度是(1,28,3,3),用3个1×1的卷积核，得到的输出维度是(1,3,3,3)。实现了降维。