CNN · LAYER LEDGER

逐层结构、参数量与理论感受野

每加一层，都记四笔账：通道和空间形状、可训练参数、相邻特征点在原图上的间距 jump，以及一个点理论上能“看到”的区域。

输入通道 C

输入高度 H

输入宽度 W

空间尺寸按向下取整计算。卷积参数包含每个输出通道的 bias；池化层没有可训练参数。

层	类型	核 k	步幅 s	填充 p	膨胀 d	输出通道	Cout × Hout × Wout	参数量	jump	感受野 r	调整

结构总账

有效层数4

总参数量28,640

j_l = j_prev × s
r_l = r_prev + (d(k−1)+1−1) × j_prev

理论感受野 ≠ 有效感受野。这里的 r 是结构允许覆盖的最大范围；实际网络中，不同输入位置对输出的贡献往往集中在中心，形状也会受训练数据与权重影响。