求助：Keras中U-Net模型的感受野计算、解释与验证

一、感受野核心计算逻辑 #

感受野指输出特征图上单个像素对应输入图像的区域大小。计算时需跟踪两个关键变量：

• 当前感受野（RF）：初始值为1（输入层单个像素的感受野就是自身）
• 输出步幅（S）：初始值为1（输入层每个像素对应输出1个像素，步幅为1）

针对不同层的计算规则：

1. 卷积层（Same Padding，步长s）：
   RF = RF + (核尺寸 - 1) * S
   S = S * s
2. 池化层（步长s）：
   RF = RF + (池化核尺寸 - 1) * S
   S = S * s
3. 特殊层处理：
   • Dropout、Concatenate：不改变空间特征提取逻辑，RF和S保持不变
   • UpSampling：仅放大特征图，不提取新空间信息，RF不变，S = S // 上采样倍数
   • 拼接层（Concatenate）：取两个输入特征图中较大的RF作为输出RF

二、U-Net模型逐层感受野计算 #

下采样阶段 #

上采样阶段 #

最终输出层的每个像素，对应输入图像的217x217大小区域，这就是该模型的感受野。

三、感受野验证方法 #

方法1：标记输入验证法 #

通过构造特殊输入，观察输出响应验证感受野大小：

1. 生成一张320x320的全0图像，仅将中心位置(160,160)的像素设为1
2. 将该图像输入模型，得到输出特征图
3. 观察输出中不为0的区域：输出中心像素对应的输入影响区域应为160 - (217-1)/2 = 52到160 + (217-1)/2 = 268，即输入图像中52~268的区域（共217个像素）会影响输出中心像素，若输出中只有对应区域的响应，则验证了计算结果。

代码示例：

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, models, regularizers

# 加载模型
model = Generator()

# 构造标记输入
input_img = np.zeros((1, 320, 320, 3))
input_img[0, 160, 160, :] = 1.0

# 前向计算
output = model.predict(input_img, verbose=0)

# 定位输出非零区域
non_zero_y, non_zero_x = np.where(output[0, :, :, 0] > 1e-6)
min_y, max_y = non_zero_y.min(), non_zero_y.max()
min_x, max_x = non_zero_x.min(), non_zero_x.max()

# 计算对应的输入区域范围（输出步幅为1，所以输出区域大小等于感受野覆盖的输入范围）
print(f"输出非零区域大小: {max_y - min_y + 1}x{max_x - min_x + 1}")
print(f"对应输入区域范围: y[{160-(max_y-min_y)//2}~{160+(max_y-min_y)//2}], x[{160-(max_x-min_x)//2}~{160+(max_x-min_x)//2}]")

方法2：脚本自动计算验证 #

编写脚本逐层遍历模型层，按照计算逻辑自动计算感受野，和手动计算结果对比：

def compute_receptive_field(model):
    rf = 1
    stride = 1
    for layer in model.layers:
        if isinstance(layer, layers.Conv2D):
            k_size = layer.kernel_size[0]
            s = layer.strides[0]
            rf += (k_size - 1) * stride
            stride *= s
        elif isinstance(layer, layers.MaxPooling2D):
            p_size = layer.pool_size[0]
            s = layer.strides[0]
            rf += (p_size - 1) * stride
            stride *= s
        elif isinstance(layer, layers.UpSampling2D):
            up_size = layer.size[0]
            stride = stride // up_size
        # Dropout、Concatenate不改变rf和stride
    return rf, stride

# 计算并打印结果
rf, stride = compute_receptive_field(model)
print(f"自动计算感受野大小: {rf}x{rf}")
print(f"输出步幅: {stride}")

运行脚本后，若输出为217x217，则和手动计算结果一致，验证正确。

内容的提问来源于stack exchange，提问作者joen doe