TF02——感受野
阿新 • • 發佈：2022-03-19
TF02——感受野
- 感受野（Receptive Field）:卷積神經網路各輸出特徵圖的每個畫素點，在原始輸入圖片上對映區域的大小
如果對上面這個5*5的原始輸入圖片，用黃色的3*3卷積核作用，會輸出這樣一個3*3的輸出特徵圖，這個輸出特徵圖上的每一個畫素點，對映到原始圖片時3*3的區域，所以他的感受野是3
如果再對這個3*3的特徵圖，用這個綠色的3*3卷積核作用，會輸出一個1*1的輸出特徵圖，這個輸出特徵上的畫素點，對映到原始圖片上是5*5的區域，所以它的感受野是5
如果對這個5*5的輸入圖片，直接用藍色的5*5卷積核作用，會輸出一個1*1的輸出特徵圖，這個畫素點對映到原始輸入圖片是5*5
同樣一個5*5的原始圖片，經過兩層3*3的卷積核作用，和經過一層5*5的卷積核作用，都得到一個感受野是5的輸出特徵圖，所以這兩層3*3的卷積核和一層5*5的卷積核的特徵提取能力是一樣的
是兩層
3*3的卷積核和一層5*5的卷積核選擇哪一個更好那？
這時就要考慮，他們要承載的待訓練引數量和計算量了
對於兩層3*3的卷積核來說，待訓練引數共有18個，對於一層5*5的卷積核計算帶訓練引數共有25個
假設輸入特徵寬和高都是x，卷積計算步長是1
- 每個
3*3*1的卷積核，計算得到一個畫素點，需要9次乘加計算，兩層3*3卷積核，共需要
次的乘加運算
- 每個
5*5*1的卷積核，計算得到一個畫素點，需要25次乘加計算，兩層3*3卷積核，共需要
次的乘加運算
當x>10時，兩層3*3的卷積核比一層5*5卷積效能好，這也是為什麼現在的神經網路在卷積計算中，常使用3*3卷積核替換一層5*5卷積核的原因