感受野

看上图，信息量很大，内容很多，有CNN的卷积过程，有感受野的计算公式和过程。弄懂了上图就知道感受野到底是个怎么回事了。

还记得感受野的定义吗？具体看layer1的feature map左上角带有红点的特征（可以理解为一个像素），它对应输入layer0的区域大小就是我们要计算的感受野。

很显然，经过3*3卷积核卷积后，它对应layer0层上的灰色区域（可别忘了还有padding哦！）

再看layer1到layer2的过程，卷积过程的第一步是先加padding，p2=1，这里的1是特征所占的区域，换句话说就是一个特征所占的感受野。所以Conv2过程这张图才会在外面加上了三个格。s2=2也是同样的道理，步长也是跨过两个特征。k2=3也是如此，包含3*3个特征。经过卷积后就来到了layer2了，左上角特征的感受野大小也很明显了，就是灰色部分。它这一个点可要完成接下来组织交代的历史任务。

这整个过程下来，是不是明白点意思了。感受野的计算有卷积逆过程的意思，这里我不能给出直接的定义，因为还没有权威这么说。之前讲了，明白了感受野的计算能更好理解卷积过程对吧。从上图我们再琢磨一下。特征图的大小逐渐变小，一个特征表示的信息量越来越大，这不就是有点压缩的意思嘛。将原图感兴趣的信息提取出来，不关注的统统抛掉。提的过程就是CNN的前向传播，抛的过程就是CNN的反馈学习。这里畅想一下，如果卷积核的大小能够变化那又是一番景象啊。

（中间空白处是因为stride=2）

公式一基于输入特征个数和卷积相关属性计算输出特征的个数

公式二计算输出特征图的jump，等于输入图的jump与输入特征个数（执行卷积操作时jump的个数，stride的大小）的乘积

公式三计算输出特征图的receptive field size，等于k个输入特征覆盖区域加上边界上输入特征的感受野覆盖的附加区域。

公式四计算第一个输出特征的感受野的中心位置，等于第一个输入特征的中心位置，加上第一个输入特征位置到第一个卷积核中心位置的距离，再减去填充区域大小。注意：这里都需要乘上输入特征图的jump，从而获取实际距离或间隔。