TF02——感受野

• 感受野（Receptive Field）:卷积神经网络各输出特征图的每个像素点，在原始输入图片上映射区域的大小

如果对上面这个5*5的原始输入图片，用黄色的3*3卷积核作用，会输出这样一个3*3的输出特征图，这个输出特征图上的每一个像素点，映射到原始图片时3*3的区域，所以他的感受野是3

如果再对这个3*3的特征图，用这个绿色的3*3卷积核作用，会输出一个1*1的输出特征图，这个输出特征上的像素点，映射到原始图片上是5*5的区域，所以它的感受野是5

如果对这个5*5的输入图片，直接用蓝色的5*5卷积核作用，会输出一个1*1的输出特征图，这个像素点映射到原始输入图片是5*5的区域，所以它的感受野也是5

同样一个5*5的原始图片，经过两层3*3的卷积核作用，和经过一层5*5的卷积核作用，都得到一个感受野是5的输出特征图，所以这两层3*3的卷积核和一层5*5的卷积核的特征提取能力是一样的

是两层3*3的卷积核和一层5*5的卷积核选择哪一个更好那？

这时就要考虑，他们要承载的待训练参数量和计算量了

对于两层3*3的卷积核来说，待训练参数共有18个，对于一层5*5的卷积核计算带训练参数共有25个

假设输入特征宽和高都是x，卷积计算步长是1

• 每个3*3*1的卷积核，计算得到一个像素点，需要9次乘加计算，两层3*3卷积核，共需要

? 次的乘加运算

• 每个5*5*1的卷积核，计算得到一个像素点，需要25次乘加计算，两层3*3卷积核，共需要

? 次的乘加运算

当x>10时，两层3*3的卷积核比一层5*5卷积性能好，这也是为什么现在的神经网络在卷积计算中，常使用3*3卷积核替换一层5*5卷积核的原因