References：
【概述】
AlexNet 的绝大多数参数都集中在最后几个全连接层上，但全连接层不仅参数多，还具有强线性性，同时还容易发生过拟合
NIN（Network in Network）对传统的卷积特征提取方式进行改进，提出了使用创造性的 MLP 卷积（MLPConv）来代替传统的线性卷积核，并采用全局平均池化（Global Average Pooling，GAP）来代替全连接层
如下图所示，左边为 AlexNet、VGG 结构，右边为 NIN 结构
【贡献】
NIN 中使用 MLP 卷积来代替传统的线性卷积核的方式，也被称为 $1\times 1$ 卷积层，其通过利用多个普通卷积层与 $1\times1$ 卷积层的嵌套来代替之前的全连接层，将特征图由多通道的线性组合变为非线性组合，从而提高特征抽象能力
此外，$1\times 1$ 卷积核还可以实现卷积核通道数的降维和升维，实现参数的减小化
如下图所示，假设对于输入尺度为 $56\times56\times3$ 的图像，存在 $n$ 个 $1\times1$ 的滤波器，那么最终能得到 $n$ 个 $56\times56\times1$ 的图像
换个角度来看，相当于将每个滤波器看作神经元结构，每个神经元参数数量与前面的通道数相同，在加入激活函数后，可以认为是一个简单的 MLP
也就是说，每一个滤波器相当于一个参数，可以看做是对 $n$ 个通道进行了线性组合
事实上，$1\times 1$ 卷积能够改变通道数并不是其最重要的特点，因为 $3\times3$、$5\times 5$ 等卷积核都可以带来通道数的变化，其最大的优点是相较于其他卷积核，$1\times 1$ 卷积的参数少
