【深度学习】感受野(receptive fields)概念计算及如何增加感受野总结

### 关于感受野的计算公式及其在卷积神经网络中的应用 #### 感受野的概念 感受野（Receptive Field, RF）是指卷积神经网络中某个特定节点所覆盖的输入数据区域大小。随着网络层数加深，感受野通常会逐渐增大，这使得高层节点可以捕获更大范围的空间信息[^2]。 #### 感受野的计算公式 对于卷积神经网络而言，感受野的大小可以通过递推的方式进行计算。假设当前层的感受野为 \(R\)，则下一层的感受野可以根据以下公式更新： \[ R_{l+1} = R_l + (k - 1) \times S^l \] 其中： - \(R_l\) 表示第 \(l\) 层的感受野； - \(k\) 是该层卷积核的尺寸； - \(S^l\) 是从输入到第 \(l\) 层之间的步长累积乘积；即如果某层之前的每一层步长分别为 \(s_0, s_1, ..., s_{l-1}\)，那么 \(S^l = \prod_{i=0}^{l-1}s_i\)。 需要注意的是，在实际操作过程中容易混淆某些概念，比如误将反向传播过程中的中间变量当作感受野的实际定义，从而得出错误结论[^3]。 #### 应用实例 为了更好地理解上述理论知识，下面给出一段 Python 实现代码用于模拟简单的两层卷积运算并打印每一步对应的感受野变化情况： ```python def compute_receptive_field(kernel_sizes, strides): receptive_fields = [1] for i in range(len(kernel_sizes)): prev_rf = receptive_fields[-1] current_kernel_size = kernel_sizes[i] stride_product = sum(strides[:i]) if i != 0 else 1 new_rf = prev_rf + (current_kernel_size - 1)*stride_product receptive_fields.append(new_rf) return receptive_fields if __name__ == "__main__": kernels = [3, 5] # 假设我们有两次连续卷积操作分别采用3x3和5x5滤波器 steps = [1, 2] # 对应每次卷积使用的步幅 rfs = compute_receptive_field(kernels, steps) print(f"各层感受野依次为:{rfs}") ``` 通过运行此脚本可直观看到不同参数配置下的感受野扩展规律。