深度学习-神经网络CNN-感受野大小的计算公式有哪些？可能会遇到哪些坑？如何理解感受野大小的计算公式？

Reference

下面这个B站视频，属于讲感受野的专栏视频之一，使用的是正向公式，强烈推荐大家观看。

深度理解感受野（二）：抓住卷积神经网络的内在特性，学习感受野的计算少不了

下面这篇CSDN文章，把感受野的所有公式总结出来了，包括正向和反向。

CNN感受野最全计算公式_骚年，你渴望力量嘛？的博客-CSDN博客_感受野计算公式

一、感受野的公式有哪些？

前向公式，或称为正向公式，计算方向是从神经网络的浅层到深层；

如下所示：

• L_k表示第k层（相对于第0层的原始图像）的感受野大小
• L_k-1表示第k-1层的感受野大小
• f_k表示第k层的kernel size
• s_i表示第i层的stride（步长）；注意连乘号上标，不包括当前k层

注意：第一次计算的时候从第1层开始，需要用到第0层的数据，而第0层数据是默认不变的。

第0层一般是原始图像，对应的感受野大小为1（感受野最小等于1），步长为1，也即L_0=1，s_0=1。

逆向公式，也称反向公式，从最深层开始计算直到最浅层；

如下所示：

•  F_i表示最深层相对于第i-1层的感受野大小
•  Stride表示步长
•  Ksize表示卷积核大小，也称过滤器大小
•  对于某个特定的CNN网络，i取最大值时，

 如下图所示，Pool1层的F就是最上面的池化层相对卷积层的感受野大小（已标黄，为2），而Conv1层的F就是最上面的池化层相对于原始图像的感受野大小（已标黄，为5）。不要看下面这张图中对于F_i的描述，稍微有点不准确。

 源于：4.1 VGG网络详解及感受野的计算_哔哩哔哩_bilibili

二、感受野计算的时候容易出现什么错误？遇到哪些坑？

 2.1 错把conv size（卷积层大小）当成kernel size（过滤器大小）代入公式计算。

 2.2 错把反向计算公式的F_i当成是第i层的感受野大小（而如果是这样的话，最深层的感受野大小反而是最小的，显然违背了感受野越深越大的性质）。

 2.3 由第一部分对正向公式和逆向公式中左边的计算结果描述可知：当k和i不等于1时，L_k不等于F_i，只有它们都等于1，两者才相等，含义是原始图像中能够影响最深层某一个元素的元素个数。

三、感受野的其他性质

3.1 层越深，感受野就会越大

3.2 正向公式计算的感受野大小L_k，含义是指“基于原始图像，第k层中某一个元素会被原始图像中L_k个元素影响”。

3.3 反向公式计算的感受野大小F_i，含义是指“基于第i层，最深层中某一个元素会被第i层中的F_i个元素所影响”。

3.5 基于第n层， 第n+1层中的某个元素会被第n层的k个元素所影响；那么这个k就是卷积核大小（Kernel Size）；也即相邻层的感受野大小就是卷积核大小。