转载：https://blog.csdn.net/program_developer/article/details/80958716
1. 感受野的概念
在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如图1所示。
图1：用图形理解感受野概念
2. 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
3. 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，
4. 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3030。
（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
5.Reference
【1】卷积神经网络物体检测之感受野大小计算 - machineLearning - 博客园
http://www.cnblogs.com/objectDetect/p/5947169.html
【2】对CNN感受野一些理解 - CSDN博客
https://blog.csdn.net/u010725283/article/details/78593410/
【3】感受野的详细介绍 - CSDN博客
https://blog.csdn.net/weixin_39912556/article/details/78366287?locationNum=2&fps=1
【4】无痛理解CNN中的感受野receptive field
https://zhuanlan.zhihu.com/p/22627224
【5】Receptive field(感受野)
https://www.jianshu.com/p/2b968e7a1715
【6】CNN中感受野的计算 - CSDN博客
https://blog.csdn.net/kuaitoukid/article/details/46829355