深度学习基础（四）—— 神经网络各层的意义

1 卷积层

• 稀疏交互：减少时间复杂度，提高运算时间。
• 参数共享：
  • 降低模型参数的存储需求，提高统计效率。
  • 参数共享的特殊形式使得神经网络层具有对平移等变（equivariance）的性质

1.1 卷积神经网络的感受野

1.1.1 感受野的概念

感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小

1.1.2 感受野的计算

• 第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小
• 计算感受野大小时，忽略了图像边缘的影响，不考虑padding的大小
• strides的概念
  s t r i d e （ i ） = s t r