感受野与权值共享

什么是全连接？

若有一幅100x100的图像，隐层有100个神经元，每个神经元与每个像素全部连接，则有100*100*100个连接，这就叫做全连接。

---

什么是局部连接？

若有一幅100x100的图像，隐层有100个神经元，每个神经元只和10*10个像素相连接，那么就有10*10*100个连接

---

什么是感受野？

https://blog.csdn.net/gzq0723/article/details/53138430

在神经网络中，感受野的定义是： 
卷积神经网络的每一层输出的特征图（Feature map）上的像素点在原图像上映射的区域大小。 

若输入层通过第一层（kernel_size = 3x3，stride = 1），再通过第二层（kernel_size = 2，stride = 1）计算第二层对于输入层的感受野？

这里的第二层的stride大小与计算无关，很显然第一层对于输入层的感受野是3x3，第二层对于第一层的感受野为2x2

计算第二层关于输入层的感受野文字描述如下：

因为第二层kernel_size = 2，所以第二层输出的feature map上的像素点在第二层上的区域大小是2x2，因为第一层的感受野是3x3，stride是1，所以第二层的输出在输入层的映射为4x4，则第二层关于输入层的感受野是4x4

从上图应该能比较直观地看出。

感受野计算公式：V = ((V‘-1) * stride）+ ksize

计算是由最深层往浅层计算

V‘是当前层相对于前一层的感受野，大小是：VxV，stride是前一层卷积核的步长，ksize前一层滤波器的size。

所以VGG16里面用3个3x3的卷积核代替了一个7x7的卷积核，两者的感受野是一样的V1 = (3 - 1) * 1 + 3 = 5

V2 = (5 - 1)*1 + 3 = 7

---

什么是权值共享？

神经网络处理图像的参数很多，例如上面说的一幅100*100的图片有100个神经元，则共有参数（100*100*100）个参数，太多了，假如一个神经元的感受野是10x10，每个神经元只需要和10*10的局部图像连接，则每个神经元对于局部图像的参数是10*10+1(包括偏置项b)，但是全局图像是100*100,10*10的只是局部图像，如果全局图像中各个局部图像之间权值共享的话，即10*10+1个参数在不同局部图像上参数应用相同的话，则在全局图像上通过全局共享则全局只需要10*10+1个参数；然而如果有1000个神经元，那么参数数量是1000*（10*10+1），还是很多，所以要是所有的神经元都共享这（10*10+1）个参数的话，神经元再多参数还是（10*10+1），所以通过权值共享之后，无论图像再大，神经元个数再多参数都是（感受野大小+1）个参数。

一种滤波器也就是一种卷积核就是提取图像一种特征，例如某个方向的边缘。那么我们需要提取不同特征就要多加几个滤波器了。若有N个滤波器，每个滤波器的参数不一样，表示提取输入图像不同特征，例如不同边缘。这样不同滤波器去卷积图像就得到不同特征的放映，我们称之为Feature Map，所以N个卷积核就有N个Feature Map，这100个Feature Map就组成了一层神经元。参数数为：N*（感受野大小+1）