我从一篇论文中读到：“我们不是在第一转换层中使用相对较大的接收场，而是在整个网络中使用非常小的3×3接收场，这些场与每个像素的输入进行卷积（步幅为1）很容易看出，两个3×3的转换层（之间没有空间合并）的堆栈具有5×5的有效接收场；三个这样的层具有7×7的有效接收场。”
他们如何最终得到7x7的重复字段？
这就是我的理解方式：假设我们有一张图像是100x100。
第1层：对图像进行零填充，然后用3x3滤镜对其进行卷积，再输出另一幅100x100滤镜的图像。
第2层：对上一个已过滤的图像进行零填充，然后将其与另一个3x3过滤器卷积，再输出另一个100x100的过滤图像。
第三层：对上一个已过滤的图像进行零填充，然后将其与另一个3x3过滤器进行卷积，输出最终的100x100过滤的图像。
我在那里想念什么？
最佳答案
这是一种思考方式。考虑下面的小图像，每个像素都这样编号：
00 01 02 03 04 05 06
10 11 12 13 14 15 16
20 21 22 23 24 25 26
30 31 32 33 34 35 36
40 41 42 43 44 45 46
50 51 52 53 54 55 56
60 61 62 63 64 65 66
现在考虑在中心的像素33。通过第一个3x3卷积，像素33的生成值将合并像素22、23、24、32、33、34、42、43和44的值。但是请注意，这些像素中的每个像素还将合并其周围的像素值也是如此。
通过下一个3x3卷积，像素33将再次合并其周围像素的值，但是现在，这些像素的值将合并原始图像中的周围像素。实际上，这意味着像素33的值由达到您可以说的5x5“影响力平方”的值决定。
每个附加的3x3卷积具有在每个方向上将另一个像素扩展有效接收场的效果。
我希望这不仅会使它更加混乱...