在卷积神经网络中，1×1卷积核的具体功能有哪些？请列出并解释其主要用途。

回答思路

1. 【回答框架 1】1×1卷积本质是对输入特征图在通道维度上进行线性组合，不改变空间尺寸，但可以调整通道数。其核心机制是逐像素点对输入的所有通道做加权求和，再通过激活函数引入非线性，实现跨通道信息融合。
2. 【回答框架 2】主要作用包括：降维以减少计算量，如将256通道压缩到64通道，降低后续卷积的计算复杂度；升维以增加特征表达能力，如将64通道扩展为256通道；在保持空间分辨率的同时增加网络深度，提升非线性拟合能力。
3. 【回答框架 3】在GoogLeNet的Inception模块和ResNet的瓶颈层中，1×1卷积被广泛用于先降维再卷积再升维的结构，既减少参数和计算量，又保持或增强特征表示，提升网络性能。
4. 【回答框架 4】1×1卷积还可以用于多尺度特征融合，例如在FPN中，通过1×1卷积统一各层通道数，便于后续融合操作。此外，在通道注意力机制中，如SE模块，1×1卷积用于生成通道权重，实现特征重标定。
5. 【回答框架 5】在轻量级网络如MobileNet中，1×1卷积作为深度可分离卷积的逐点卷积部分，负责跨通道信息融合，而深度卷积仅处理空间特征，两者结合大幅降低计算量并保持精度。
6. 【关键点 1】1×1卷积实现通道维度的线性组合，用于降维、升维或保持通道数。
7. 【关键点 2】能够增加网络深度和非线性能力，而不改变空间分辨率。
8. 【关键点 3】在Inception和ResNet中用于瓶颈结构，有效减少计算量。
9. 【关键点 4】支持跨通道特征融合，常用于FPN、SE模块和轻量网络的逐点卷积。
10. 【易错点 1】错误地认为1×1卷积能提取空间特征，实际上它不聚合空间邻域信息，只处理通道间关系。
11. 【易错点 2】忽略其与全连接层的区别，混淆共享参数机制，导致对计算复杂度理解偏差。
12. 【易错点 3】在轻量网络中使用时，若与深度卷积混用，可能混淆计算量计算，需准确分别统计。