参考于：《深度学习与目标检测》 杜鹏 仅供学习交流
GoogLeNet团队在Inception v2 ：较大尺寸的卷积核可以带来较大的感受野，但也会带来更多的参数和计算量。 用两个连续的3X3的卷积核来代替一个5X5的卷积核，在保证感受野大小不变的同时可以减少参数个数，如下图 两个3X3的卷积核的参数数量为18，一个5X5的卷积核的参数数量为25，由此可见参数数量得以减少，且感受野大小不变。 一个nXn的卷积核可以由1Xn和nX1的卷积核组合代替。例如，当n为3时 在网络低层使用这个方法不好，在中等大小的特征图上使用这个方法效果比较好，建议在第12层到第20层使用。
https://zhuanlan.zhihu.com/p/92134485
