1.2 在卷积神经网络中，如何计算各层感受野的大小
分析与解答：
在卷积神经网络中，由于卷积的局部连接性，输出特征图上的每个节点的取值，是由卷积核在输入特征图对应位置的局部区域内进行卷积而得到的，因此这个节点的取值会受到该卷积层的输入特征图，也就是上一层的输出特征图上的某个局部区域内的值的影响，而上一层的输出特征图上的每一点的值亦会受到上上一层某个区域的影响。
感受野的定义：对于某层输出特征图上的某个点，在卷积神经网络的原始输入数据上能影响到这个点的取值的区域。
感受野的计算：计算什么层的感受野，方法不一样。
图1.4是感受野的简单示意图，可以看到，当第i-1层和第i-2层的卷积核大小为3×3、步长为1时，则第i层在第i-2层上的感受野大小为5×5。若想进一步计算第i层在原始输入数据上的感受野大小，则还需要知道前面所有层的信息(如卷积核大小、步长等)。
我原来写过关于感受野计算的简要介绍，主要是针对求卷积层/池化层的感受野，链接如下：
https://blog.csdn.net/seasonsyy/article/details/132816967
参考文献：
《百面深度学习》 诸葛越 江云胜主编
出版社：人民邮电出版社（北京）
ISBN：978-7-115-53097-4
2020年7月第1版（2020年7月北京第二次印刷）
