1，原文：https://blog.csdn.net/u010725283/article/details/78593410
感受野（receptive field）被稱作是CNN中最重要的概念之一。為什么要研究感受野吶？主要是因為在學習SSD，Faster RCNN框架時，其中prior box和Anchor box的設計，一直搞不明白。當我理解了感受野才有點恍然大悟的感覺。快速看完這篇文章的前提是，要對CNN有個大致了解，feature map等術語要知道。
先看八股式定義，感受野：在卷積神經網絡CNN中，決定某一層輸出結果中一個元素所對應的輸入層的區域大小，被稱作感受野receptive field。我們看這段定義非常簡單，用數學的語言就是感受野是CNN中的某一層輸出結果的一個元素對應輸入層的一個映射。再通俗點的解釋是，feature map上的一個點對應輸入圖上的區域。注意這里是輸入圖，不是原始圖。好多博客寫的都是原圖上的區域，經過一番的資料查找，發現並不是原圖。
另外加上一句，目前流行的物體識別方法都是圍繞感受野來做的設計，就如上文提到的SSD和Faster RCNN。理解好感受野的本質我覺的有兩個好處。一，理解卷積的本質；二，更好的理解CNN的整個架構。
2，https://www.jianshu.com/p/2b968e7a1715
終於在知乎上中找到深度神經網絡中的感受野(Receptive Field) - 藍榮禕的文章 - 知乎
http://zhuanlan.zhihu.com/p/28492837 算是弄清了基本原理，記錄以備忘
1.先舉個例子：
-
e.g.兩層 3*3 卷積操作的有效區域(感受野)是5*5 (所有filter的stride=1,pad=0),示意圖如下：
-
三層3*3卷積核操作的有效區域是7*7 (所有filter的stride=1，pad=0),示意圖如下：
2. 基本定義：
- 定義：感受野用來表示網絡內部的不同神經元對原圖像的感受范圍的大小，或者說，convNets(cnn)每一層輸出的特征圖(feature map)上的像素點在原始圖像上映射的區域大小。
- 神經元之所以無法對原始圖像的所有信息進行感知，是因為在這些網絡結構中普遍使用卷積層和pooling層，在層與層之間均為局部連接。
- 神經元感受野的值越大表示其能接觸到的原始圖像范圍就越大，也意味着它可能蘊含更為全局，語義層次更高的特征；相反，值越小則表示其所包含的特征越趨向局部和細節。因此感受野的值可以用來大致判斷每一層的抽象層次。
3. 感受野的計算
-
感受野的計算
可以看到在Conv1中的每一個單元所能看到的原始圖像范圍是3*3，而由於Conv2的每個單元都是由 2*2范圍的Conv1構成，因此回溯到原始圖像，其實是能夠看到5*5的原始圖像范圍的。因此我們說Conv1的感受野是3，Conv2的感受野是5. 輸入圖像的每個單元的感受野被定義為1，這應該很好理解，因為每個像素只能看到自己。
在上圖中，數字代表某單元能夠看到的原始圖像像素，我們用r_n表示第n個卷積層中，每個單元的感受野，用k_n和s_n表示第n個卷積層的kernel_size和stride.
對Raw Image進行kernel_size=3, stride 2的卷積操作所得到的fmap1 (fmap為feature map的簡稱，為每一個conv層所產生的輸出)的結果是顯而易見的。序列[1 2 3]表示fmap1的第一個單元能看見原圖像中的1，2，3這三個像素，而第二個單元則能看見3，4，5。這兩個單元隨后又被kernel_size=2，stride 1的Filter 2進行卷積，因而得到的fmap2的第一個單元能夠看見原圖像中的1,2,3,4,5共5個像素（即取[1 2 3]和[3 4 5]的並集）。接下來我們嘗試一下如何用公式來表述上述過程。可以看到，[1 2 3]和[3 4 5]之間因為Filter 1的stride 2而錯開（偏移）了兩位，而3是重疊的。對於卷積兩個感受野為3的上層單元，下一層最大能獲得的感受野為 3*2=6，但因為有重疊，因此要減去(kernel_size - 1)個重疊部分，而重疊部分的計算方式則為感受野減去前面所說的偏移量，這里是2. 因此我們就得到
繼續往下一層看，我們會發現[1 2 3 4 5]和[3 4 5 6 7]的偏移量仍為2，並不簡單地等於上一層的s_2, 這是因為之前的stride對后續層的影響是永久性的，而且是累積相乘的關系（例如，在fmap3中，偏移量已經累積到4了），也就是說 r_3應該這樣求
同理：
。。。。。。可抽象如下：
理解：第n個卷積層的感受野等於前一個卷積層的感受野輸出再乘以第n卷積層的kernel_size,即第n卷積層要合並多少個，這里算出的是總的量，還要減去之間有重復的量，第n卷積層總共要合並k_n個，那么前后兩兩相比較，空隙共有k_n-1個，比如說：第一層和第二層有重復，第二層和第三層也有重復等等，然后就要計算每兩個之間重復的量有多少，首先每層共有r_n-1個數字，需要減去往右偏移的量，即stride，第1卷積層的stride_1,第二層會在第一層的基礎上偏移stride_2,即總共偏移了 stride_1*stride_2,即偏移量是一個乘積的累計效果，所以式子如下：
經過去括號簡化。可得下面式子：
