Neural network 前馈网络的感受域

我对人工智能和神经网络相当陌生。我在Pytork中实现了一个前馈神经网络，用于在MNIST数据集上进行分类。现在我想可视化（一部分）隐藏神经元的感受野。但是我在理解感受野的概念时遇到了一些问题，当我在谷歌上搜索时，所有的结果都是关于CNN的。那么，有谁能帮助我在PyTorch中如何做到这一点以及如何解释结果呢？

我之前已经描述了CNN感受野的概念，只是为了给你一些可能对我的实际答案有用的上下文

你似乎也在为感受野的概念而挣扎。通常，您可以通过问“层表示的哪一部分影响了我当前的输入？”来最好地理解它

在卷积层中，计算当前层的公式仅将图像的一部分作为输入（或至少仅基于此子区域的一个值更改结果）。这就是感受野
现在，一个完全连接的层，顾名思义，从以前的每个隐藏状态到每个新的隐藏状态都有一个连接，请参见下图：

在这种情况下，感受野只是“每个先前状态”（例如，在图像中，第一绿松石层中的细胞受到所有黄色细胞的影响），这不是很有帮助。整个想法是拥有一个较小的子集，而不是所有可用的状态

因此，不幸的是，我认为您关于PyTorch中实现的问题没有多大意义，但我希望答案仍然提供了一些关于该主题的清晰信息

---

作为后续行动，我还鼓励您思考这种“连通性”的含义，特别是在可调参数的数量方面。

我之前描述了CNN感受野的概念，只是为了给您一些可能对我的实际答案有用的上下文

你似乎也在为感受野的概念而挣扎。通常，您可以通过问“层表示的哪一部分影响了我当前的输入？”来最好地理解它

在卷积层中，计算当前层的公式仅将图像的一部分作为输入（或至少仅基于此子区域的一个值更改结果）。这就是感受野
现在，一个完全连接的层，顾名思义，从以前的每个隐藏状态到每个新的隐藏状态都有一个连接，请参见下图：

在这种情况下，感受野只是“每个先前状态”（例如，在图像中，第一绿松石层中的细胞受到所有黄色细胞的影响），这不是很有帮助。整个想法是拥有一个较小的子集，而不是所有可用的状态

因此，不幸的是，我认为您关于PyTorch中实现的问题没有多大意义，但我希望答案仍然提供了一些关于该主题的清晰信息

---

作为后续行动，我还鼓励您考虑这种“连通性”的含义，特别是在可调参数的数量方面。

谢谢！但我还是想看看一些神经元的感受野是什么样子的。看，谢谢！但我还是想看看一些神经元的感受野是什么样子的。看见