神经网络卷积感受野计算

感受野计算

1. 定义
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。

2.计算 公式：
(N-1)_RF = f(N_RF, stride, kernel) = (N_RF - 1) * stride + kernel
其中，RF是感受野。N_RF和RF有点像，N代表 neighbour，指的是第n层的 a feature在n-1层的RF，记住N_RF只是一个中间变量，不要和RF混淆。 stride是步长，ksize是卷积核大小。

从上面的公式可看出以下几点结论：
（1）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
（2）深层卷积层的感受野大小和它之前所有层的滤波器大小和步长有关系
（3）计算感受野大小时，忽略了图像边缘的影响，即不考虑padding的大小，关于这个疑惑大家可以阅读一下参考文章2的解答进行理解

例子：
如果原始图尺寸为5x5
第一层卷积核尺寸为3x3, stride=1
则卷积后得到3x3的feature map1
第二层卷积核尺寸为3x3， stride=1
则卷积后的到1x1的feature map2

由感受野计算公式可得出：

feature map1的感受野是： 3
feature map2的感受野是： 5 由计算（3-1）*1+3=5得到