感受野

先图解一下啥是感受野
感受野具体就是通过卷积核扫描原始图片之后一个feature map的格子代表原始图片的范围大小。
如上图，这是一个55的原始图片padding11，卷积核33，步距2。卷积扫描两次的示意图。
（2个33的卷积核扫描两次相当于7*7扫描一次）
计算公式
$F(i)=(F(i+1)-1)\ast Stride+Ksize$
F(i)：第i层感受野
Stride：第i层步距
Ksize：卷积核尺寸
拿上图举例子：
$$\begin{gathered} Featuremap:F(3)=1 \\ F(2)=(F(2+1)-1)\ast 2+3=(1-1)\ast 2+3=3 \\ F(1)=(F(1+1)-1)\ast 2+3=(3-1)\ast 2+3=7 \end{gathered}$$
(感受野大小和padding无关，padding只改变总的feature map的大小并不影响feature map上一个单元映射到初始图像上的大小)
注释：事实上，计算的到的是理论上卷积的感受野，卷积的实际感受野要更小

---

由卷积核垛叠扩大感受野而来的作用
还是拿上面那个例子举例
33垛叠两次成为77卷积核感受野，这里是两个33步距为2合成为了77步距为4。在垛叠过程中卷积核的步距累加了（这里只是猜测没有验证，日后验证再来填坑）实际这里的7=3+2+2
原来要写的参数应该是设定卷积核为77channel，后来变为了33channel+33channel，49>18,减少了实际设定参数的个数，换句话说节省了调参的个数，加深了深度。
（这里有一个小问题要阐述，我也在这个地方怀疑了一下。常规说的二个3 * 3代替5 * 5，三个3 * 3代替7 * 7，其实意思是3*3步距为1）