什么是感受野
“感受野”的概念来源于生物神经科学，比如当我们的“感受器”，比如我们的手受到刺激之后，会将刺激传输至中枢神经，但是并不是一个神经元就能够接受整个皮肤的刺激，因为皮肤面积大，一个神经元可想而知肯定接受不完，而且我们同时可以感受到身上皮肤在不同的地方，如手、脚，的不同的刺激，如痛、痒等。这说明皮肤感受器是由很多不同的神经元控制的，那么每一个神经元所能够反映的那块感受器的区域就称之为“感受野”，感受野即每一个神经元所支配的区域，也可以说这个神经元的活动受到那一块区域的影响。
卷积神经网络中，整个卷积运算的过程正好和上面的皮肤刺激过程类似，我们可以将原始图像对应看成感受器（皮肤），将最终的输出看成是做出反应的那个神经元。最终输出到底是什么状态（神经元的状态）所受到的初始图像哪一块区域的影响（受到那一块皮肤的刺激）不正是上面所描述的过程吗？于是我们给出感受野的定义如下：
卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小；通俗点说，就是图像的最终输出的每一个特征（每一个像素）到底受到原始图像哪一部分的影响。
图解说明
为了更好地说明整个卷积神经网络的工作过程，下面以一个例子说明，原始图像的大小为10x10，一共设计了5个网络层，前面4个是卷积层，卷积核的大小为3x3，最后一个是池化层，大小为2x2,为了较简单的说明，本次所有的步幅stride均为1.
注意：感受野在计算的时候不考虑“边界填充”，因为填充的边界已经不是原始图像本身的内容了，感受野描述的是输出特征到原始图像的映射关系，故而不考虑padding 。实际建模过程中可能需要填充边界，原理一样，只是计算稍微复杂点。
图解步骤拆分
1. 第一次卷积运算
从上面可以看出：第一层网络输出的图像中，输出结果为8x8，output1输出的每一个特征（即每一个像素）受到原始图像的3x3区域内的影响，故而第一层的感受野为3，用字母表示为
RF1=3 （每一个像素值与原始图像的3x3区域有关）
2. 第二次卷积运算
从上图可以看出，经历两次卷积运算之后，最终的输出图像为6x6，output2输出的每一个特征（即每一个像素）受到output1的范围影响为3x3，而output1中的这个3x3又收到原始图像的5x5的范围的影响，故而第二层的感受野为5，即
RF2=5 （每一个像素值与原始图像的5x5区域有关）
3. 第三次卷积运算
从上图可以看出，经历三次卷积运算之后，最终的输出图像为4x4，output3输出的每一个特征（即每一个像素）受到output2的范围影响为3x3，而output2中的这个3x3又受到output1的5x5的范围的影响，而output1中的这个5x5又受到原始图像的7x7的范围的影响，故而第三层的感受野为7，即
RF3=7 （每一个像素值与原始图像的7x7区域有关）
4. 第四次卷积运算
从上图可以看出，经历四次卷积运算之后，最终的输出图像为2x2，output4输出的每一个特征（即每一个像素）受到output3的范围影响为3x3，而output3中的这个3x3又受到output2的5x5的范围的影响，而output2中的这个5x5又受到output1的7x7的范围的影响，而output1中的这个7x7又受到原始图形的9x9的范围的影响，故而第四层的感受野为9，即
RF4=9 （每一个像素值与原始图像的9x9区域有关）
5. 第五次卷积运算
从上图可以看出，经历四次卷积运算和一次池化运算之后，最终的输出图像为1x1，output5输出的每一个特征（即每一个像素）受到output4的范围影响为2x2，而output4中的这个2x2又受到output3的4x4的范围的影响，而output3中的这个4x4又受到output2的6x6的范围的影响，而output2中的这个6x6受到output1的8x8的范围的影响，而output1中的这个8x8受到原始图像的10x10的范围的影响，故而第五层的感受野为10，即
RF5=10 （每一个像素值与原始图像的10x10区域有关）
结论： 从上面的地推过程可以看出，随着卷积层数的逐渐增加，感受野的范围在逐渐扩大，也就是说，越靠近后面的输出，所受到的图像的像素影响的范围更加宽阔。卷积神经网络正是通过这种层层推进的方式，每一个卷基层都能学习到不同的特征，最后实现相关的识别、分类等功能的。
递推公式
从上面的过程可以看出，感受野的推导是一个递推的过程，下面将展示这一过程。
RF1=3 k1（第一层的感受野，永远等于第一个卷积核的尺寸大小）k表示第几个卷积层
RF2=5 k1 + (k2-1) RF1+ (k2-1)
RF3=7 k1 + (k2-1) + （k3-1) RF2+ (k3-1)
RF4=9 k1 + (k2-1) + （k3-1) + (k4-1) RF3+ (k4-1)
RF4=10 k1 + (k2-1) + （k3-1) + (k4-1) + (k5-1) RF4+ (k5-1)
从上面可以看出，感受野的大小的求解是一个不断第一的过程，因为第一层的每一个像素的感受野始终是第一个卷积核的大小，故而RF1总是最先确定，然后以此类推，逐步求出RF2、RF3、RF4、RF5……
但是上面的所有步长均为 1 ，如果每一次卷积运算的步长 stride 不为1呢，同理，这里直接给出递推公式：
RFn=RFn-1 + (kn-1)*stride_n
其中stride_n表示的是第n次卷积的移动步幅stride。
求解过程是从RF1开始的。
感受野的例子
（1）两层33的卷积核卷积操作之后的感受野是55，其中卷积核（filter）的步长（stride）为1、padding为0，如图2所示：
图2：两层33卷积核操作之后的感受野是55
（2）三层33卷积核操作之后的感受野是77，其中卷积核的步长为1，padding为0，如图3所示：
图3：三层33卷积核操作之后的感受野是77
感受野的计算
感受野计算时有下面几个知识点需要知道：
- 最后一层（卷积层或池化层）输出特征图感受野的大小等于卷积核的大小。
- 第i层卷积层的感受野大小和第i层的卷积核大小和步长有关系，同时也与第（i+1）层感受野大小有关。
- 计算感受野的大小时忽略了图像边缘的影响，即不考虑padding的大小。
关于感受野大小的计算方式是采用从最后一层往下计算的方法，即先计算最深层在前一层上的感受野，然后逐层传递到第一层，使用的公式可以表示如下：
其中，是第i层卷积层的感受野，是（i+1）层上的感受野，stride是卷积的步长，Ksize是本层卷积核的大小。
注意： 此公式与上边的递归公式在原理上是一致的，一个向前计算一个向后计算。
计算VGG16网络每层的感受野
（1）引例：VGG16网络有点复杂，我们先来计算一个简单的例子，先学会计算感受野，在来分析复杂的网络
图4：简单的网络结构
我们从最后一层的池化层开始计算感受野：
pool3：RF=2（最后一层池化层输出特征图的感受野大小等于卷积核的大小）
conv4：RF=（2-1）*1+3=4。
conv3：RF=（4-1）*1+3=6。
pool2：RF=（6-1）*2+2=12。
conv2：RF=（12-1）*1+3=14。
pool1：RF=（14-1）*2+2=28。
conv1：RF=（28-1）*1+3=30。
因此，pool3输出的特征图在输入图片上的感受野为30*30。
（2）VGG16网络每层感受野计算
图5：VGG16网络结构
在VGG16网络中，我们从全连接层开始倒推，直到输入层，过程如下：
pool5：RF=2。（最后一层池化层输出特征图感受野的大小等于卷积核的大小）
conv5_3：RF=（2-1）* 2+2=4。
conv5_2：RF=（4-1）*1+3=6。
conv5_1：RF=（6-1）*1+3=8。
pool4：RF=（8-1）*2+2=16。
… … … … … … …
类推…
因此我们可以得出：pool5输出的特征图在输入图片上的感受野为212212；conv5_3输出的特征图在输入图片上的感受野为196196，其它层依次类推：
图6：VGG16网络感受野计算结果
总结
感受野是卷积神经网络中非常核心的概念，它有助于我们层层剖析每一步卷积所发生的过程，对于我们理解卷积神经网络的运算过程、本质原理都非常有帮助。