Pointwise Convolution，俗称叫做 1x1 卷积，简写为 PW，主要用于数据降维，减少参数量。
1、降维（ dimension reductionality ）。e.g. 200x200x50 的feature map（channels为50）在20个filter上做1x1的卷积，那么结果的大小为200x200x20。参数量是原来的2/5，减少了参数量。
2、加入非线性。卷积层之后经过激励层，1x1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的复杂度；可以在保持feature map 尺寸不变（即不损失分辨率）的前提下大幅增加非线性特性.
对于单通道的feature map和单个卷积核之间的卷积来说，CNN里的卷积大都是多通道的feature map和多通道的卷积核之间的操作（输入的多通道的feature map和一组卷积核做卷积求和得到一个输出的feature map），如果使用1x1的卷积核，这个操作实现的就是多个feature map的线性组合，可以实现feature map在通道个数上的变化。接在普通的卷积层的后面，配合激活函数，就可以实现network in network的结构了（来源：http://www.caffecn.cn/?/question/136
。）
