1.2 在卷积神经网络中,如何计算各层感受野的大小

1.2 在卷积神经网络中,如何计算各层感受野的大小

分析与解答:

在卷积神经网络中,由于卷积的局部连接性,输出特征图上的每个节点的取值,是由卷积核在输入特征图对应位置的局部区域内进行卷积而得到的,因此这个节点的取值会受到该卷积层的输入特征图,也就是上一层的输出特征图上的某个局部区域内的值的影响,而上一层的输出特征图上的每一点的值亦会受到上上一层某个区域的影响。

感受野的定义:对于某层输出特征图上的某个点,在卷积神经网络的原始输入数据上能影响到这个点的取值的区域。

感受野的计算 :计算什么层的感受野,方法不一样。

图1.4是感受野的简单示意图,可以看到,当第i-1层和第i-2层的卷积核大小为3×3、步长为1时,则第i层在第i-2层上的感受野大小为5×5。若想进一步计算第i层在原始输入数据上的感受野大小,则还需要知道前面所有层的信息(如卷积核大小、步长等)。

我原来写过关于感受野计算的简要介绍,主要是针对求卷积层/池化层的感受野,链接如下:

https://blog.csdn.net/seasonsyy/article/details/132816967
参考文献:

《百面深度学习》 诸葛越 江云胜主编

出版社:人民邮电出版社(北京)

ISBN:978-7-115-53097-4

2020年7月第1版(2020年7月北京第二次印刷)

相关推荐
飞哥数智坊8 分钟前
五一必备:手把手教你“即梦”APP轻松生成精美海报
人工智能
OpenLoong 开源社区31 分钟前
技术视界 | 从自然中获取智慧: 仿生机器人如何学会“像动物一样思考和行动”
人工智能
HHONGQI1231 小时前
嵌入式人工智能应用-第三章 opencv操作8 图像特征之 Haar 特征
人工智能·opencv·计算机视觉
Ai多利1 小时前
顶会招牌idea:机器学习+组合优化 优秀论文合集
人工智能·机器学习·组合优化
jerwey1 小时前
Stable Diffusion:Diffusion Model
人工智能·stable diffusion
尼罗河女娲1 小时前
深度剖析RLHF:语言模型“类人输出”的训练核心机制
人工智能·深度学习·语言模型
吴佳浩1 小时前
Python入门指南(四)-项目初始化
人工智能·后端·python
万事可爱^1 小时前
TensorFlow 安装全攻略
人工智能·python·深度学习·机器学习·tensorflow·tensorflow安装
yc_231 小时前
KAG:通过知识增强生成提升专业领域的大型语言模型(二)
人工智能·语言模型·自然语言处理