3个3x3的卷积层串联的效果则相当于1个7x7的卷积层。那为什么选择使用3个3x3的卷积层而不是使用1个7x7的卷积层呢？

（1）3个串联的3x3的卷积层，拥有比1个7x7的卷积层更少的参数，参数量是后者的（3x3x3 ) /（7x7） = 55%

（2）3个3x3的卷积层比1个7x7的卷积层拥有更多的非线性变换，前者可以使用3次ReLU激活函数，而后者只能使用 一次，这样使得CNN对特征的学习能力更强。

Stacking堆叠法

level 0上训练的多个强学习器被称为基学习器(base-model)，也叫做个体学习器。在level 1上训练的学习器叫元学习器（meta-model）。

level 0上的算法们的职责是找出原始数据与标签的关系、即建立原始数据与标签之间的假设，因此需要强大的学习能力。

level 1上的算法的职责是融合个体学习器做出的假设、并最终输出融合模型的结果，相当于在寻找“最佳融合规则”，而非直接建立原始数据与标签之间的假设。

参考：神经网络中卷积层的堆叠-CSDN博客