CNN学习：如何计算模型的感受野？
CNN学习：如何计算模型的感受野？
阅读论文时常常看见论文中说感受野的大小，对于有些问题，需要了解更多的上下文信息，则需要相对大的感受野。那么，这里的感受野是什么意思呢？
感受野可以理解为卷积神经网络输出的feature map中一个像素点对应的原图片中区域的大小，或者说feature map中的一个像素点的值是受原图片中的多大的区域影响的，也可以间接地模型融合上下文信息的多少。
那么，感受野如何计算呢？
- 每一层计算从上往下，top-down,即从最后一层开始计算。
- 这里的ksize是卷积核大小，stride是每一层的stride, RF是感受野大小
函数：
def receptiveField(net, n_layers):
for layer in range(n_layers):
RF = 1
ksize, stride, pad = net[layer]
RF = ((RF-1)*stride) + ksize
return RF示例：
- 以下面的这个网络为例，计算网络的感受野
net_D_B(
(netD_B): DataParallel(
(module): NLayerDiscriminator(
(model): Sequential(
(0): Conv2d(3, 64, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1))
(1): LeakyReLU(0.2, inplace)
(2): Conv2d(64, 128, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1))
(3): InstanceNorm2d(128, eps=1e-05, momentum=0.1, affine=False)
(4): LeakyReLU(0.2, inplace)
(5): Conv2d(128, 256, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1))
(6): InstanceNorm2d(256, eps=1e-05, momentum=0.1, affine=False)
(7): LeakyReLU(0.2, inplace)
(8): Conv2d(256, 512, kernel_size=(4, 4), stride=(1, 1), padding=(1, 1))
(9): InstanceNorm2d(512, eps=1e-05, momentum=0.1, affine=False)
(10): LeakyReLU(0.2, inplace)
(11): Conv2d(512, 1, kernel_size=(4, 4), stride=(1, 1), padding=(1, 1)) # 30
))))- 计算：
- 初始化：RF = 1
- 第五层：RF5 = ( 1-1 ) * 1 + 4 = 4
- 第四层：RF4 = ( 7-1 ) * 1 + 4 = 7
- 第三层：RF3 = (7-1 ) * 2 + 4 = 16
- 第二层：RF4 = (16-1) * 2 + 4 = 34
- 第一层：RF4 = (34-1) * 2 + 4 = 70
- 上面的层数，表示计算到哪一层，而不是第几层的感受野，若计算中间某一层的感受野，则将那一层从1开始计算
- 计算得到该网络在图片上感受野为70*70，这也是pix2pix中patchGAN的原理
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2018-11-02，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
腾讯云开发者
