【深度学习】感受野的计算

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