ResNet网络感受野计算：

1. 感受野计算公式

假设第$i-1$层特征的感受野为$R{F}_{i-1}$，第$i$层特征的感受野为：
$$R{F}_i=R{F}_{i-1}+(k_i-1)\prod _{j=1}^{i-1}{s}_j$$
其中，$k_i$是第$i$层的卷积核尺寸（或池化核尺寸），$s_j$是第$j$层的卷积步长（或池化步长）

注：padding的大小不影响感受野的计算，但影响输出特征图的大小。

2. ResNet网络结构

注：图片来源: https://www.jianshu.com/p/085f4c8256f1.

3. ResNet-50的感受野

使用感受野计算工具Fomoro AI：https://fomoro.com/research/article/receptive-field-calculator.

得到如下结果：

详细情况请查看：ResNet-50感受野计算结果.

输出特征层	感受野大小
C2 stage	35
C3 stage	91
C4 stage	267
C5 stage	427

ResNet-50的理论感受野为$427\times 427$，比输入图像$224\times 224$还大，怎么解释？

• 理论感受野是网络的固有属性，当网络结构确定下来，感受野随之唯一确定，与输入图像大小无关。

详细情况请查看：ResNet-101感受野计算结果.