1.什么是感受野？ 卷积神经网络 各输出层每个像素点在原始图像上的映射区域大小 下图是感受野示意图 如果对这个5x5的原始输入图片，用黄色的3x3卷积核作用，会输出一个3x3的输出特征图，这个输出特征图上的每个像素点映射到原始的图片是3x3的区域 ...

感受野（receptive field） CNN中，某一层输出结果中一个元素所对应的输入层的区域大小. 感受野计算 从后往前 output field size = ( input field size - kernel size + 2 × padding ) / stride ...

感受野就是输出的feature map中的一个像素点对应到输入图像的映射；下图中特征点（绿色和黄色）对应的阴影部分即为感受野。 左边的图为正常的普通卷积过程；右边的为输入和输出大小一样的卷积过程，采用的方法是在得到的feature map中的特征点之间加入0（与带洞卷积类似，但不是一样 ...

以一张图片作为开始吧： 这里的输入数据是大小为(8×8)的彩色图片，其中每一个都称之为一个feature map，这里共有3个。所以如果是灰度图，则只有一个feature map。 进行卷积操作时，需要指定卷积核的大小，图中卷积核的大小为3，多出来的一维3不需要在代码中指定，它会 ...

每个卷积核具有长、宽、深三个维度。 卷积核的长、宽都是人为指定的，长X宽也被称为卷积核的尺寸，常用的尺寸为3X3，5X5等；卷积核的深度与当前图像的深度（feather map的张数）相同，所以指定卷积核时，只需指定其长和宽两个参数。 例如，在原始图像层 （输入层），如果图像是灰度图像 ...

1.原理 对于1*1的卷积核来说,实际上就是实现不同通道数据之间的计算,由于卷积窗口为1*1,那么他不会对同一通道上相邻的数据进行改变,而是将不同通道之间的数据进行相加. 输入和输出具有相同的高和宽。输出中的每个元素来自输入中在高和宽上相同位置的元素在不同通道之间的按权重累加 ...

滤波器的大小选择 大部分卷积神经网络都会采用逐层递增（1⇒ 3 ⇒ 5 ⇒ 7）的方式。 每经过一次池化层，卷积层过滤器的深度都会乘以 2； 卷积神经网络中卷积核越小越好吗？ 多个小的卷积核叠加使用要远比一个大的卷积核单独使用效果要好的多，在连通性不变的情况下，大大降低了参数 ...

　　卷积是图像处理中一个操作，是kernel在图像的每个像素上的操作。Kernel本质上一个固定大小的矩阵数组，其中心点称为锚点(anchor point)。把kernel放到像素数组之上，求锚点周围覆盖的像素乘积之和（包括锚点），用来替换锚点覆盖下像素点值称为卷积处理。数学表达 ...