卷积核（filter）使用 3x3 的大小在现代卷积神经网络（CNN）中变得非常流行，原因有几个：
1. 参数数量相对较小
一个 3x3 卷积核相比更大的卷积核（如 5x5 或 7x7）有更少的参数。举例来说，一个 3x3 卷积核有 9 个权重，而 5x5 卷积核有 25 个权重。更少的参数意味着模型的计算量较小，训练和推理速度更快，且减少了过拟合的风险。
2. 更深的网络结构能够捕捉更多信息
多个 3x3 卷积核堆叠起来可以模拟更大感受野的效果。例如，两个连续的 3x3 卷积层相当于一个 5x5 卷积层，三个连续的 3x3 卷积层相当于一个 7x7 卷积层。这种方式有利于深度网络的构建，可以通过增加网络的深度而不是增加卷积核的大小来捕获更大的感受野，且每层可以学习更细粒度的特征。
3. 减少计算复杂度
由于卷积操作的计算量与卷积核的大小成正比，使用 3x3 卷积核有助于减少计算复杂度，尤其是在深度网络中。每增加一层 3x3 卷积层，网络的计算量仅会略微增加，而如果使用大卷积核（如 5x5 或 7x7），计算量则大幅度增加。
4. 避免过多的信息丢失
3x3 卷积核比大卷积核有更多的局部感知能力。通过在每一层进行细粒度的特征提取，网络可以更好地保留空间信息，而不是在过大的感受野中丢失细节。
5. 经验性优势
从实践经验来看，3x3 卷积核在各种任务中表现得非常好，尤其是在图像分类、目标检测等视觉任务上。深度学习社区已经通过大量的实验验证了小卷积核（如 3x3）组合成大感受野的有效性。
6. 具有可重用性
小卷积核（如 3x3）不仅有更少的参数，而且可以通过堆叠多个小卷积层来增加网络的非线性特征学习能力，使得网络在处理复杂模式时更具表现力。多个小卷积层相比单一的大卷积层，能够捕捉到更加复杂的模式和特征。
总结：
3x3 卷积核的成功应用主要是因为它在保持良好的特征提取能力的同时，能够降低计算复杂度，减少参数数量，并且可以通过网络深度增加感受野。这些优点使得 3x3 卷积核成为了现代卷积神经网络的标准选择。
