卷積核分解

參考於：《深度學習與目標檢測》 杜鵬 僅供學習交流 GoogLeNet團隊在Inception v2 ：較大尺寸的卷積核可以帶來較大的感受野，但也會帶來更多的參數和計算量。 用兩個連續的3X3的卷積核來代替一個5X5的卷積核，在保證感受野大小不變的同時可以減少參數個數，如下圖 兩個3X3的卷積核的參數數量爲18，一個5X5的卷積核的參數數量爲25，由此可見參數數量得以減少，且感受野大小不變。 一個

>>阅读原文<<