CNN中感受野（Receptive Field）的计算和理解
Posted tsruixi
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了CNN中感受野（Receptive Field）的计算和理解相关的知识，希望对你有一定的参考价值。
一、概念和计算公式
- 概念： 通俗来讲，就是表示当前输出特征图中像素点在原始图像上映射区域的大小。见下图
- 计算公式：(l_{k} = l_{k-1} + ((f_{k} - 1)*prod_{i=1}^{k-1}s_{i}))
- (l_{k})表示第k层的感受野大小，(l_{k-1})表示第k-1层感受野的大小
- (f_{k})表示当前层卷积核的大小，(s_{i})表示第i层的步长。
二、实例
三、使用小卷积核，和同等感受野的大卷积核，有何优势?
- 参数更加少
- 可以使得通道更深，更好的表现非线性关系
- 例如，一个3x3的卷积核，步长为1，三层后感受野为7x7，两者的参数比较是3x(3x3xcxc) vs. 7x7xcxc
参考资料
以上是关于CNN中感受野（Receptive Field）的计算和理解的主要内容，如果未能解决你的问题，请参考以下文章
深度学习入门基础CNN系列——感受野和多输入通道多输出通道以及批量操作基本概念