感受野在深度学习中的作用无需多言,计算感受野在设计网络时起着很重要的作用。
下面简单介绍下感受野的计算规则:
感受野(receptive field)的计算:
RF = 1
for layer in reversed(range(layernum)):
fsize, stride, pad = net[layer]
RF= ((RF-1)* stride) + fsize
简单解释下:
上文中的RF为感受野大小,初始大小为1
对于每一层来说,该层的感受野与上一层有着一个线性关系,
其中Fsize为 Kernel size
附一个完整的代码:
#Compute input size that leads to a 1x1 output size, among other things
# [filter size, stride, padding]
convnet =[[11,4