神经网络中卷积层的堆叠

在神经网络的设计中，经常会出现多个卷积层堆叠的情况，（例如VGGNet）

通过VGG16/19的结构图可以看出，每一段使用了很多卷积层堆叠，然后再经过池化层，这其实是非常有用的设计。如下图所示：

两个3x3的卷积层串联相当于1个5x5的卷积层，即一个像素会跟周围5x5的像素产生关联，可以说感受野大小为5x5.

以此类推，3个3x3的卷积层串联的效果则相当于1个7x7的卷积层。那为什么选择使用3个3x3的卷积层而不是使用1个

7x7的卷积层呢？

（1）3个串联的3x3的卷积层，拥有比1个7x7的卷积层更少的参数，参数量是后者的（3x3x3 ) /（7x7） = 55%

（2）3个3x3的卷积层比1个7x7的卷积层拥有更多的非线性变换，前者可以使用3次ReLU激活函数，而后者只能使用

          一次，这样使得CNN对特征的学习能力更强。