感受野（视野） 作者：马育民 • 2020-05-19 21:26 • 阅读：10206 # 介绍 感受野（Receptive Field）：卷积神经网络 输出的特征图（feature map），每个像素点在 原始图像 上映射 的区域大小 > 原始图像是指：是经过预处理（如resize，warp，crop）后的图像，要输入神经网络的图像 # 例子 原始图像`7 x 7`，经过 第一次卷积（kernel_size=3, stride=2），输出第一个特征图`3 x 3`，经过 第二次 卷积（kernel_size=2, stride=1），输出第二个特征图大小为`2 x 2` [](https://www.malaoshi.top/upload/0/0/1EF5YJvMprhy.png) 1.原始图像的感受野是1，每个像素只能看到自己 2.第一个特征图，1个像素点，映射在 原图像 的区域大小是`3 x 3` 3.第二个特征图，1个像素点，映射在 第一个特征图 的区域大小是`2 x 2` 4.第二个特征图，1个像素点，映射在 原图像 的区域大小是`5 x 5`，即：经过第二次卷积，感受野是5 感受野是个相对概念，某特征图（feature map）上的像素映射到前面不同层上的区域范围是不同的，通常感受野指的是输入图像上的区域。 ### 规律 - 原始图像的感受野是1，每个像素只能看到自己 - 下一层的像素点，映射到上一层的区域大小，就是 卷积核大小 # 感受野的计算 感受野大小和它之前所有层的 **卷积核大小** 和 **步长** 有关系 涉及到这两个参数的有 **卷积层** 和 **pooling层** [](https://www.malaoshi.top/upload/0/0/1EF5YKk8fJ6Y.png) n：表示第n层 k：表示kernel_size s：表示stride r：表示receptive_field ∏：求积运算，形式上类似于Σ（求和运算） 上面例子算法： `3*2-(2-1)*(3-2)=5` ### 由公式引出结论 - 卷积核大小`1 x 1`，那么不改变感受野 - ReLU、BN层、dropout层 等不会改变感受野 - short-cut 操作不会改变感受野 # AlexNet 各层感受野 [](https://www.malaoshi.top/upload/0/0/1EF5YKzrwDim.png) 感谢： https://www.jianshu.com/p/9997c6f5c01e https://blog.csdn.net/mzpmzk/article/details/86564509 原文出处：http://www.malaoshi.top/show_1EF5YLFg71ax.html