为什么深层网络比浅层网络更优秀？答案或许很多，我介绍几点。
减少训练参数
以卷积为例，5x5的卷积核把25个像素变成1个，需要25个权重，
而两个3x3的卷积核，也可以把25个像素变成1个，只需要18个权重
5x5 ==> 3x3 ==> 1
提高学习效率
之前讲到权重就是过滤器，学习就是生成过滤器的过程。
假如我们想做个“狗”的过滤器，那难了去了，因为狗各种各样，品种多，大小不同，站着的，躺着的，蹲着的，太多了，没法做，
那我们可以分开做，什么意思呢，我先找个比较明显能区分狗的特征，比如脚，特征明显，训练会很快，这里其实就对应了小型卷积核，
先拿脚把样本过滤一遍，这样下一轮就是在脚符合特征的情况下进行筛选，这样效率更高。
对应到网络模型上，一下子做出整个狗的过滤器，就是浅层网络，
而分层识别，就是深层网络。