googlenet團隊在inception v2 ：較大尺寸的卷積核可以帶來較大的感受野，但也會帶來更多的引數和計算量。
用兩個連續的3x3的卷積核來代替乙個5x5的卷積核，在保證感受野大小不變的同時可以減少引數個數，如下圖
兩個3x3的卷積核的引數數量為18，乙個5x5的卷積核的引數數量為25，由此可見引數數量得以減少，且感受野大小不變。
乙個nxn的卷積核可以由1xn和nx1的卷積核組合代替。例如，當n為3時
在網路低層使用這個方法不好，在中等大小的特徵圖上使用這個方法效果比較好，建議在第12層到第20層使用。
深度可分離卷積
下面這個文章介紹了深度可分離卷積是怎麼做的 本文的很多內容都是在這兩個文章的基礎上整理的。卷積基礎 描述乙個二維矩陣，使用row col。三維的，使用channel row col。四維則多了乙個引數 batch channel row col。batch channel row col的邏輯順序則...
深度可分離卷積
如果乙個卷積核代表乙個影象的屬性的話，上圖的方法就只能提取到乙個屬性。那麼如果想要多個屬性就需要多個卷積核 上圖中是最常見的卷積方法，使用多個卷積核來提取多個屬性。但是存在引數量過大的情況 先用三個卷積核對三個通道分別卷積，再對得到的結果進行1x1的卷積，這時候只要增加1 1卷積核的個數就能對應的增...
深度可分離卷積
3.實際應用 假設輸入層為乙個大小為64 64畫素 三通道彩色。經過乙個包含4個filter的卷積層，最終輸出4個feature map，且尺寸與輸入層相同。整個過程可以用下圖來概括 卷積層共有4個filters，每個filter有3個kernel，每個kernel的大小為3x3，因此卷積層的引數數...