記錄一下感受野的理解：

在神經(jīng)網(wǎng)絡(luò)中，感受野的定義是：?
神經(jīng)網(wǎng)絡(luò)的每一層輸出的特征圖（Feature ap）上的像素點(diǎn)在原圖像上映射的區(qū)域大小。?

1. 神經(jīng)網(wǎng)絡(luò)中，第一個(gè)卷積層的 感受野大小，就等于filter，濾波器的大小。

2.?深層卷積層的感受野大小和它之前所有層的濾波器大小和步長(zhǎng)有關(guān)系。

3.計(jì)算感受野大小時(shí)，忽略了圖像邊緣的影響，即不考慮padding的大小。

?

首先說(shuō)strides = 之前的神經(jīng)網(wǎng)絡(luò)層的步長(zhǎng)乘積，也就是：strides（i） =?stride(1) *?stride(2) * ...*?stride(i-1)?

感受野的計(jì)算，是從（最深層-1）的神經(jīng)網(wǎng)絡(luò)，迭代到第一層，來(lái)計(jì)算的， 公式簡(jiǎn)單表達(dá)為：

RF{i} =? (RF{i-1} - 1) * stride + ConvSize

?

RCNN論文中有一段描述，Alexnet網(wǎng)絡(luò)pool5輸出的特征圖上的像素在輸入圖像上有很大的感受野（have very large receptive fields (195 × 195 pixels)）和步長(zhǎng)（strides (32×32 pixels)?）， 這兩個(gè)變量的數(shù)值是如何得出的呢？

用python代碼表達(dá)：

#!/usr/bin/env python net_struct = {'alexnet': {'net':[[11,4,0],[3,2,0],[5,1,2],[3,2,0],[3,1,1],[3,1,1],[3,1,1],[3,2,0]],'name':['conv1','pool1','conv2','pool2','conv3','conv4','conv5','pool5']},'vgg16': {'net':[[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[3,1,1],[2,2,0],[3,1,1],[3,1,1],[3,1,1],[2,2,0]],'name':['conv1_1','conv1_2','pool1','conv2_1','conv2_2','pool2','conv3_1','conv3_2','conv3_3', 'pool3','conv4_1','conv4_2','conv4_3','pool4','conv5_1','conv5_2','conv5_3','pool5']},'zf-5':{'net': [[7,2,3],[3,2,1],[5,2,2],[3,2,1],[3,1,1],[3,1,1],[3,1,1]],'name': ['conv1','pool1','conv2','pool2','conv3','conv4','conv5']}}imsize = 224def outFromIn(isz, net, layernum):totstride = 1insize = iszfor layer in range(layernum):fsize, stride, pad = net[layer]outsize = (insize - fsize + 2*pad) / stride + 1insize = outsizetotstride = totstride * stridereturn outsize, totstridedef inFromOut(net, layernum):RF = 1for layer in reversed(range(layernum)):fsize, stride, pad = net[layer]RF = ((RF -1)* stride) + fsizereturn RFif __name__ == '__main__':print "layer output sizes given image = %dx%d" % (imsize, imsize)for net in net_struct.keys():print '************net structrue name is %s**************'% netfor i in range(len(net_struct[net]['net'])):p = outFromIn(imsize,net_struct[net]['net'], i+1)rf = inFromOut(net_struct[net]['net'], i+1)print "Layer Name = %s, Output size = %3d, Stride = % 3d, RF size = %3d" % (net_struct[net]['name'][i], p[0], p[1], rf)

?

轉(zhuǎn)載于:https://www.cnblogs.com/ChrisInsistPy/p/9508689.html

總結(jié)

以上是生活随笔為你收集整理的神经网络- receptive field的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。