深度学习面试题16：小卷积核级联卷积VS大卷积核卷积

目录

　　感受野

　　多个小卷积核连续卷积和单个大卷积核卷积的作用相同

　　小卷积核的优势

　　参考资料

---

感受野

在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如下图所示：

返回目录

多个小卷积核连续卷积和单个大卷积核卷积的作用相同

像LeNet、AlexNet网络，都是用了较大的卷积核，目的是提取出输入图像更大邻域范围的信息，一般是卷积与池化操作相连。而小卷积核同样可以做到这个效果，其结构可能有多个卷积相连，然后再连接池化层。

以一个5*5的卷积核举例：

以2个3*3的卷积核举例：

结论：

使用3*3的卷积核连续卷积2次可以达到5*5的卷积核卷积1次提取特征图的能力；

同理，使用3*3的卷积核连续卷积3次可以达到7*7的卷积核卷积1次提取特征图的能力；

返回目录

小卷积核的优势

优势一：

整合了三个非线性激活层，代替单一非线性激活层，增加了判别能力。

优势二：

减少了网络参数。

以3个3*3的级联卷积代替1个7*7的卷积为例：可以减少7*7-3*3*3=22个参数，减少了45%的参数。

以2个3*3的级联卷积代替1个5*5的卷积为例：可以减少5*5-2*3*3=7个参数，减少了28%的参数。

优势三：

减少了计算量

以3个3*3的级联卷积代替1个7*7的卷积为例：可以减少7*7*L-3*3*3*L=22*L次计算，减少了45%的计算量。

以2个3*3的级联卷积代替1个5*5的卷积为例：可以减少5*5*L-2*3*3*L=7*L次计算，减少了28%的计算量。

返回目录

参考资料

《图解深度学习与神经网络：从张量到TensorFlow实现》_张平

《深-度-学-习-核-心-技-术-与-实-践》

返回目录