卷积神经网络中用多个3*3的小卷积核代替大卷积核

1、为什么要使用3*3的卷积核？
(1)3x3是最小的能够捕获像素八邻域信息的尺寸。
(2)两个3x3的堆叠卷基层的有限感受野是5x5；三个3x3的堆叠卷基层的感受野是7x7，故可以通过小尺寸卷积层的堆叠替代大尺寸卷积层，并且感受野大小不变。
(3)多个3x3的卷基层比一个大尺寸filter卷基层有更多的非线性（更多层的非线性函数，使用了3个非线性激活函数）。
(4)多个3x3的卷积层比一个大尺寸的filter有更少的参数，如三个3x3的卷积层参数个数3x((3x3xC)xC)=27C2；一个（7x7xC）xC的卷积层参数为49C2。唯一的不足是，在进行反向传播时，中间的卷积层可能会导致占用更多的内存；

第四条详解：假设该卷积层的卷积核为3×3，为了清晰明了假设卷积层的输入和输出的特征图（featuremap）大小（其实是channel通道数）分别为C1，C2。说明：卷积核的应该是一个多维的矩阵K×K×channels，其中channels是由输入的featuremap的通道数决定的，而卷积层中卷积核的个数是由输出的featuremap的通道数决定的，所以该卷积层的参数量是：（3×3×C1）× C2，说明:
（3×3×C1） —— 是每一个卷积核的参数量；
× C2 —— 是总共C2个卷积核；

2、为什么可以使用33的卷积核？
卷积核卷积后输出尺寸：假设图片（Input）尺寸为M×M，卷积核（Filter）大小为K×K，填充（Padding）为P，步长（stride）为s。
则卷积输出（Output）特征图大小为 = (M + 2P - K)/S +1
假设我们假设图片是2828的，
我们使用55的卷积核对其卷积，步长（stride）为1，填充(pad)为0，得到的结果是:(28-5)/1+1=24
然后我们使用2个卷积核为33的，这里的两个是指2层，同样步长（stride）为1，填充(pad)为0
第一层33：
得到的结果是=(28-3 + 02)/1+1=26
第二层33：
得到的结果是=(26-3 +02)/1+1=24
所以我们的最终结果和55的卷积核是一样的！！！
下图更形象一些：