CNN中感受野的计算

感受野（receptive field），从可视化的角度来讲，就是输出featuremap 某个节点的响应对应的输入图像的区域就是感受野。
这个感受野的大小应该怎么去算，我们首先需要知道CNN中进行卷积和池化的操作时，参数的值应该怎么去计算，首先举一个特别简单的例子。我们的输入图像是5*5的图像，经过一个大小为2*2，步长为1的卷积核的处理后，得到的图像大小变成了4*4，再经过一个2*2，步长为2的池化操作后变成了2*2的大小。
当输入图像是n*n，卷积核大小是f*f，步长是s，填充为P,则输出图像大小$n_{out}$为

$$n_{out} = [\frac{n+2p-f}{s}]+1$$
具体的操作可以通过下图来展示：

有几点需要注意的是，padding并不影响感受野，stride只影响下一层featuremap的感受野，size影响的是该层的感受野。

了解完了怎么计算卷积和池化后，我们来看看怎么计算感受野。
举一个例子：

pool3的一个输出对应pool3的输入大小为2*2
那么我们可以得到对应的conv4的输入为4*4,因为2*2的每个角加上一个3*3的卷积核，就变成4*4,