某些场景下采用3x3的卷积or5x5的卷积

最新推荐文章于 2026-03-30 10:15:02 发布

原创最新推荐文章于 2026-03-30 10:15:02 发布 · 521 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#卷积 #深度学习 #卷积核尺寸选取 #卷积核

收录于

深度学习同时被 2 个专栏收录

32 篇文章

订阅专栏

模式识别

9 篇文章

订阅专栏

本文讨论了在卷积神经网络中，为何选择333x333的卷积核进行两次操作比555x555的卷积一次更优，重点在于参数量减少和相同感受野的特性。

假设我们要进行一次卷积操作，输入feature maps的channel为64，输出feature maps的channel也要为64，那么对于 $5$ $×\times$ $5$ 和 $3$ $×\times$ $3$ 的卷积尺寸该怎么选择呢（步长为1）？答案如下图所示：
在这里插入图片描述
即选择 $3$ $×\times$ $3$ 的卷积核对输入的feature maps做两次卷积而非用 $5$ $×\times$ $5$ 的卷积核对输入的feature maps做一次卷积。这样做的主要区别在于两点：1.参数量；2.感受野。

kernel size	receptive field	params
$3$ $×\times$ $3$	$5$ $×\times$ $5$	$2$ $×\times$ $3$ $×\times$ $3$ $×\times$ $64$ $×\times$ $64$
$5$ $×\times$ $5$	$5$ $×\times$ $5$	$5$ $×\times$ $5$ $×\times$ $64$ $×\times$ $64$