Convolution & Vision Foundations: 解释感受野（receptive field）的递归计算。

Core Concept: 每层感受野按 r_out=r_in+(k−1)·∏(前面 stride) 递推；stride 使感受野按累积乘积放大。

数学机理：<strong>感受野</strong>是输出特征图上一个点'能看到的'输入区域大小。<strong>递归公式</strong>：设第 l 层的核为 k_l、stride 为 s_l，则 r_l=r_{l−1}+(k_l−1)·∏_{i<l}s_i（其中 ∏_{i<l}s_i 是前面所有层的 stride 累积乘积，称为 'jump' 或 'effective stride'）。直觉：每加一层，感受野增加 (k−1) 个'输入像素'，但增量被前面所有下采样（stride）放大——因为该层的 1 个像素对应输入上 ∏s_i 个像素。<strong>例</strong>：3 层 3×3 stride 1 的卷积，r 从 1 → 1+2=3 → 3+2=5 → 5+2=7（即 1+L(k−1)=7）；若中间有 stride 2，则后续增量翻倍。<strong>有效感受野（ERF）</strong>：Luo 等 (2016) 证明，随机初始化下，输出对输入各像素的<strong>梯度（影响）</strong>近似<strong>高斯分布</strong>——中心像素影响最大、边缘迅速衰减到接近 0；故'理论感受野'（边界）内的很多像素实际上几乎不影响输出，真正有效的是中心区域（约理论值的 1/√L 量级）。这解释了'为什么深层网络的有效感受野增长慢于理论'。

深度剖析与工程权衡：① <strong>为什么有效感受野重要</strong>——若有效感受野远小于理论值，则深层网络的'长程依赖'能力被高估；对策是 (a) 用 dilation 扩大感受野、(b) 用注意力（真正的全局交互）、(c) 用更大的核（ConvNeXt 用 7×7）。② <strong>下采样的作用</strong>——stride/pooling 通过放大'jump'来快速扩感受野，是 CNN 高效扩感受野的主要手段（比堆层便宜）。③ <strong>与注意力的对比</strong>——注意力的感受野是<strong>全局</strong>（每 token 看所有 token），但其有效范围受注意力熵影响；CNN 通过层级堆叠'渐进式'扩感受野，二者在'局部到全局'的路径上不同。④ <strong>ResNet 的感受野计算</strong>——ResNet-50 的理论感受野约 483×483（超过输入 224），但因 ERF 效应，实际有效感受野远小；这解释了为何需要 FPN 等结构做多尺度融合。⑤ <strong>计算工具</strong>——可用 pytorch-receptive-field 等库自动计算各层感受野与 jump；也可手动递归。⑥ <strong>面试要点</strong>——被问'感受野怎么算'，应给出<strong>递归公式 + 一个具体例子</strong>，并主动提到'有效感受野 < 理论感受野（高斯衰减）'这一细节；后者是区分'背公式'与'真理解'的关键。