pytorch vgg网络思考

为什么使用3x3的小的卷积核，是否能够达到5x5, 7x7,11x11卷积核的效果

1. 之所以使用3x3，而非2x2，1x1的核，是因为(3x3)是捕获图像中左/右，上/下，中心概念的最小尺寸
2. 两层3x3的卷积层的叠加的感受野，相当于一个5x5的卷积的感受野；三层3x3的卷积的感受野，相当于一个7x7的卷积的感受野(限定条件，每个卷积具有相同的padding = [1,1], stride = [1,1])，感受野的计算公式，见下节
3. 有参数量的计算公式可知，两个3x3的卷积本身的参数量为3x3x2 = 18,一个5x5卷积的参数量为25；三个卷积3x3卷积的参数量为27，一个7x7卷积的参数量为49

感受野

感受野的计算公式

该感受野计算网站实现了对每层卷积层计算感受野大小。

计算公式定义如下：

参数	意义	英文
n	feature map的数量	num of features
p	卷积核尺寸	convolution kernel size
k	卷积核padding尺寸	convolution padding size
s	卷积核stride尺寸	convolution stride size
r	感受野的大小	receptive field size
j	两个相邻特征值之间的跨度	jump(distance between two consecutive features)
start	特征图中第一个特征的在原图上中心坐标	center coordinate of the first feature

feature map输出尺寸公式：
$$n_o=\frac{n_i+2p-k}{s}$$

特征图跨度公式:
$$j_o=j_i\times s$$

感受野公式：
$$r_o=r_i+(k-1)\times j_i$$

我们来计算下两个3x3的卷积，和5x5的卷积，在输入图片input_size = 224, p = 1, s = 1的情况下的感受野输出

初始值：

#对输入图片，由以下值，即初始的感受野大小和特征之间的跨度都为1
imsize = 224
j_i = 1
r_i = 1

两个3x3卷积的感受野大小：

• 第一个3x3卷积的感受野大小

$$r_o=r_i+(k-1)\times j_i=1+(3-1)\times 1=3$$

• 第二个3x3卷积的感受野输出

$$r_o=r_i+(k-1)\times j_i=3+(3-1)\times 1=5$$

单个5x5卷积的感受野大小：

$$r_o=r_i+(k-1)\times j_i=1+(5-1)\times 1=5$$

由此可见，在步长stride和padding一致的条件下，两个3x3的卷积和一个5x5的卷积，感受野是一样的
同样可以计算3个3x3的卷积的感受野大小为7，同一个7x7的卷积的感受野相同

感兴趣的区域计算方式

每层卷积处理后，会输出对应的feature_map,每个fature_map上每一个特征点会对应一个感受野大小，那这个感受野区域在原图的位置，又是怎么计算的？

感受野的大小我们已经知道，如果再求出该感受野区域在原图中映射的中心点，就可以以求出感受野区域了

计算公式定义如下：

参数	意义	英文
start	特征图中第一个特征的在原图上中心坐标	center coordinate of the first feature

注意，以上start是指每个特征图中，第一个特征点在原图中的感受野区域的中心点，计算公式为：

$$star{t}_o=star{t}_i+(\frac{k-1}{2}-p)\times j_i$$

还是以两个3x3的卷积计算为例，计算下每层处理后，每个特征图的第一个特征点在原图上的对应位置：

初始值：

#对输入图片，由以下值，即初始的感受野大小和特征之间的跨度都为1
imsize = 224
j_i = 1
r_i = 1
start = 0.5

第一层卷积处理后的，feature_map大小为3x3,第一个feature点的start为：
$$star{t}_o=star{t}_i+(\frac{k-1}{2}-p)\times j_i=0.5++(\frac{3-1}{2}-1)\times 1=0.5$$

$$j_o=j_i\times s=1$$

同理，第二层处理后，feature_map大小为5x5,第一个feature点的start为：

$$star{t}_o=star{t}_i+(\frac{k-1}{2}-p)\times j_i=0.5++(\frac{3-1}{2}-1)\times 1=0.5$$

$$j_o=j_i\times s=1$$

如果，现在要计算，第二层输出的feature_map中，第[2,2]个特征点对应的中心点坐标，使用以下公示计算

其他特征点对应的区域，按照以下公示进行转换

start_i_x 
= start_0-1_x + feature_i_x * j 
= 0.5 + 2*1 = 2.5

start_i_x 
= start_0_y + feature_i_y * j 
= 0.5 + 2*1 = 2.5

其中，start_0表示第当前特征图一个特征点在原图中的感受野的中心位置，feature_i表示当前特征图中，第i个特征点的点位，j表示当前特征图相邻特征点之间的跨度

感受野计算实现代码

# [filter size, stride, padding]
#Assume the two dimensions are the same
#Each kernel requires the following parameters:
# - k_i: kernel size
# - s_i: stride
# - p_i: padding (if padding is uneven, right padding will higher than left padding; "SAME" option in tensorflow)
# 
#Each layer i requires the following parameters to be fully represented: 
# - n_i: number of feature (data layer has n_1 = imagesize )
# - j_i: distance (projected to image pixel distance) between center of two adjacent features
# - r_i: receptive field of a feature in layer i
# - start_i: position of the first feature's receptive field in layer i (idx start from 0, negative means the center fall into padding)

import math


def outFromIn(conv, layerIn):
  n_in = layerIn[0]
  j_in = layerIn[1]
  r_in = layerIn[2]
  start_in = layerIn[3]
  k = conv[0]
  s = conv[1]
  p = conv[2]
  
  n_out = math.floor((n_in - k + 2*p)/s) + 1
  actualP = (n_out-1)*s - n_in + k 
  pR = math.ceil(actualP/2)
  pL = math.floor(actualP/2)
  
  j_out = j_in * s
  r_out = r_in + (k - 1)*j_in
  start_out = start_in + ((k-1)/2 - pL)*j_in
  return n_out, j_out, r_out, start_out
  
def printLayer(layer, layer_name):
  print(layer_name + ":")
  print("\t n features: %s \n \t jump: %s \n \t receptive size: %s \t start: %s " % (layer[0], layer[1], layer[2], layer[3]))


def showReceptiveField(currentLayer, convnet, layer_names):
  layerInfos = []
  printLayer(currentLayer, "input image")
  for i in range(len(convnet)):
    currentLayer = outFromIn(convnet[i], currentLayer)
    layerInfos.append(currentLayer)
    printLayer(currentLayer, layer_names[i])
  print ("------------------------")
  layer_name = input ("Layer name where the feature in: ") # 这里要修改
  layer_idx = layer_names.index(layer_name)
  idx_x = int(input ("index of the feature in x dimension (from 0)")) # 这里要修改
  idx_y = int(input ("index of the feature in y dimension (from 0)")) # 这里要修改

  n = layerInfos[layer_idx][0]
  j = layerInfos[layer_idx][1]
  r = layerInfos[layer_idx][2]
  start = layerInfos[layer_idx][3]
  assert(idx_x < n)
  assert(idx_y < n)

  print ("receptive field: (%s, %s)" % (r, r))
  print ("center: (%s, %s)" % (start+idx_x*j, start+idx_y*j))


if __name__ == '__main__':
  #first layer is the data layer (image) with n_0 = image size; j_0 = 1; r_0 = 1; and start_0 = 0.5
  imsize = 224
  currentLayer = [imsize, 1, 1, 0.5]


  print ("-------Net summary 3x3 ------")
  convnet_3x3 = [[3,1,1],[3,1,1]]
  layer_names_3x3 = ['conv1','conv2']
  showReceptiveField(currentLayer, convnet_3x3,layer_names_3x3)


  print ("-------Net summary 5x5 ------")
  convnet_5x5 = [[5,1,1]]
  layer_names_5x5 = ['conv1']
  showReceptiveField(currentLayer, convnet_5x5,layer_names_5x5)



  convnet =   [[11,4,0],[3,2,0],[5,1,2],[3,2,0],[3,1,1],[3,1,1],[3,1,1],[3,2,0],[6,1,0], [1, 1, 0]]
  layer_names = ['conv1','pool1','conv2','pool2','conv3','conv4','conv5','pool5','fc6-conv', 'fc7-conv']
  showReceptiveField(currentLayer, convnet,layer_names)

两层3x3卷积，在224的输入上的计算结果：

-------Net summary 3x3 ------
input image:
	 n features: 224
 	 jump: 1
 	 receptive size: 1 	 start: 0.5
conv1:
	 n features: 224
 	 jump: 1
 	 receptive size: 3 	 start: 0.5
conv2:
	 n features: 224
 	 jump: 1
 	 receptive size: 5 	 start: 0.5
------------------------
Layer name where the feature in: conv2
index of the feature in x dimension (from 0)2
index of the feature in y dimension (from 0)2
receptive field: (5, 5)
center: (2.5, 2.5)

相关的理论技术请参考网站A guide to receptive field arithmetic for Convolutional Neural Networks