本文重点
前面我们学习了卷积神经网络的基本操作：卷积、步长、填充、池化。以上几个步骤是卷积神经网络的核心操作，接下来我们将学习一个非常有意义的概念：感受野。
什么是感受野
计算机视觉中的感受野是指神经网络中每个神经元对输入图像像素的影响范围，也就是神经元所关注的区域大小。在卷积神经网络中，每个卷积层的神经元只接收上一层的一部分输入，这个输入区域就是神经元的感受野。感受野的大小影响着神经网络的性能和特征提取能力。
在CNN中，每一层都由多个卷积核组成，每个卷积核扫描输入图像的一个小区域并计算出对应的特征。每个卷积核的大小决定了神经元的感受野大小。在浅层网络中，每个神经元的感受野通常只能覆盖输入图像的一个小区域，而在深层网络中，每个神经元的感受野可以覆盖输入图像的大部分区域。
感受野的大小对CNN的性能有着重要的影响。如果感受野过小，神经元只能看到输入图像的局部信息，无法捕捉到全局的特征，导致模型性能下降。如果感受野过大，神经元会受到过多的噪声和无关信息的干扰，同样会导致模型性能下降。因此，合理地选择感受野大小是非常重要的。
控制感受野
在设计CNN模型时，通常会采用一些策略来控制感受野的大小。其中最常见的策略是使用池化层（Pooling Layer）和步长（Stride）以及卷积核的大小
池化层可以将输入图像的大小缩小，从而增大神经元的感受野。
步长则可以控制卷积核在输入图像上的移动步长，而步长越大，感受野也就越小，能够提取更局部的特征。
卷积核的大小越大，感受野也就越大，能够提取更大范围的特征此外
在深度神经网络中，