开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

社区首页 >专栏 >CNN如何计算感受野大小

CNN如何计算感受野大小

作者头像

Steve Wang

发布于 2023-10-12 09:35:49

1880

发布于 2023-10-12 09:35:49

举报

文章被收录于专栏：从流域到海域从流域到海域

CNN有三个主要特征：局部连接，权值共享，输入/输出数据的结构化。

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上对应的位置进行卷积操作而得到的，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某个局部区域的影响。感受野的定义是，对于某层输出特征图的某点，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。

以二维卷积神经网络为例，如果网络的原始输入特征图的尺寸为

L_w\times L_h

，记网络第

i

层节点的感受野大小为

R_e^{(i)}

，其中

e\in\{w,h\}

分别代表宽和高两个方向，则可按照式(1-1)~式(1-4)来计算。

若第

i

层为卷积层或者池化层（pooling layer），则有

R^{(i)}=\min \lgroup R^{(i-1)} + (k_e^{(i)}-1) \prod_{j=0}^{i-1} s_e^{j}, \ L(e) \rgroup

(1-1) 其中，

k_e^{(i)}

是第

i

层卷积核/池化核的尺寸，

s_e^{(j)}

是第

j

层的步长。特别地，对于第0层，即原始输入层，有：

\begin{cases} R^{(0)}=1\\ s_e^{0}=1 \end{cases}

(1-2)

若第

i

层为激活层、批归一化层等，则其步长为1，感受野大小为:

R_e^{(i)}=R_e^{(i-1)}

(1-3)

若第

i

层为全连接层，则其感受野的输入为整个输入数据全域，即：

R_e^{(i)}=L_e

(1-4)

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2023-03-18，如有侵权请联系 cloudcommunity@tencent.com 删除

卷积神经网络

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

卷积神经网络

评论

登录后参与评论

0 条评论

热度

最新

LV.