2个3*3卷积核对一个5*5卷积核的替代性分析（或3个3*3卷积核对一个7*7卷积核的替代性分析）

使用更小的卷积核是当前在保证网络精度的情况下，减少参数的趋势之一，在VGG16中，使用了$3$3个$3*3$3∗3卷积核来代替7*7卷积核，使用了$2$2个$3*3$3∗3卷积核来代替$5*5$5∗5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。

以下简单地说明一下小卷积($3*3$3∗3)对于$5×5$5×5网络感知野相同的替代性。

如图所示：

关于$3$3个$3×3$3×3卷积核对于一个$7× 7$7×7 卷积的替代性思考方式同上。

接下来说明以下减少参数的作用。
对于两个$3*3$3∗3卷积核，所用的参数总量为$2*(3*3)*channels$2∗(3∗3)∗channels, 对于$5*5$5∗5卷积核为$5*5*channels$5∗5∗channels, 因此可以显著地减少参数的数量。

如果对参数计算这部分不太懂，欢迎阅读我的另一篇博客，我在里面举了一个计算卷积操作参数量的例子。