CNN卷积核选取问题

CNN中可以把卷积核理解为特征提取器，那么卷积核的尺寸大小会对特征提取有什么影响呢，该怎么决定尺寸大小呢？尝试从下面一些问题来慢慢回答。（但不保证是一定是准确的）

Q1：为什么卷积核很多都是选取33 、55、77等奇数的正方形，不能长方形或者偶数吗?
并没有规定不行，选取3、5、7、9等只是为了统一处理长宽、方便计算。比如在其他领域如NLP、语音处理也常用一些其他的卷积核，并非一定是奇数的正方形。更有甚者可以使用可变形卷积核的。

Q2：卷积核尺寸大小会影响什么？有什么区别？
理论上卷积核越大，receptive field（感受野）越大，抽取的特征就越全局，更加全局的特征更有判别性（人话：卷积核越大看到的图片信息越多，因此获得的特征越好）。

感受野：网络内部的不同位置的神经元对原始图像的感受范围的大小（可以理解是神经元的视野）。

Q3:为什么现在很多流行的模型广泛采用小的33卷积核呢?
大的卷积核带来的参数量和计算量也会较大，小的卷积核是可以替代大的卷积核的，比如3个3x3卷积核来代替7x7卷积核，使用了2个3x3卷积核来代替5x5卷积核，而且即使是小的卷积核但随着网络深度增加也取得很好的效果，所以这也许是模型精度与计算量的一个权衡。
总的来说小卷积核的好处有：
1、为了减少计算量和参数量，加快模型训练；
(参数量减少是绝对的，但计算量减少不是绝对的，请看：5*5卷积核替换为两个级联3*3卷积核在参数和计算量上的影响)
2、相同参数量下小的卷积核意味着可以添加更多卷积层，增强非线能力。

Q4:为什么2个3x3卷积核来代替5x5卷积核呢?
是因为2个3x3卷积核串联在一起和1个5x5卷积核的感受野是相同的。

论文中的图片