使用三个不同大小的卷积核主要是为了减少参数的数量。

因为一张图片可能有很多特征，所以可能需要学习多个卷积核用来提取图像特征。 图中不同颜色代表不同的特征，需要学习对应数量的卷积核进行特征提取。

对于灰度图像，图像为2D 例如一个图像大小是5×5， 有一个3×3的卷积核对着图像进行卷积，步长为1，卷积结束后生成一个3×3的矩阵。 如果有2组卷积核对着图像卷积，就会生成2个3×3的矩阵。 同理有多少组卷积核对图像卷积就有多少个矩阵。 这个叫做通道。

对于RGB图像，图像为3维 若要提取2个特征，可以设置2个3维卷积核进行特征提取，提取结果为2通道的feature map，2个通道互相独立，代表着不同卷积核提取的不同特征。

如果卷积的输出输入都只是一个平面，那么1x1卷积核并没有什么意义，它是完全不考虑像素与周边其他像素关系。 但卷积的输出输入是长方体，所以1x1卷积实际上是对每个像素点，在不同的channels上进行线性组合（信息整合），且保留了图片的原有平面结构，调控depth，从而完成升维或降维的功能。