深度学习小白问题（小白的个人理解）

1.什么是深度学习框架？

像Tensorflow、Caffe、Theano、MXNet、Torch和PyTorch等都是属于深度学习框架，深度学习框架不止一个，各大不同的公司或者组织、个人都可能开发一种深度学习框架，但是，不同的学习框架的一些功能实现方法不同，调用的语句也有所差异，就像是不同的编程语言，表达同样的意思写的代码也不一样。深度学习框架的作用就是降低深度学习的门槛，就是底层的东西框架已经写好了，使用者只要调用相应的程序接口就行，就像各种语言的库一样。

2.机器学习和深度学习有什么区别吗？

深度学习算是机器学习的加强版，更加自动化智能化的感觉，机器学习里面多多少少需要人工的辅助，比如选取一些特征等。此外，深度学习更适合大数据处理场景。

3.感受野（receptive field）

定义：在卷积神经网络CNN中，决定某一层输出结果中一个元素所对应的输入层的区域大小，即feature map上的一个点对应输入图上的区域。

理解图：采用卷积核C的核大小（kernel size）k=3*3，填充大小（padding size）p=1*1，步长（stride）s=2*2。（图中上面一行）对5*5的输入特征图进行卷积生成3*3的绿色特征图。（图中下面一行）对上面绿色的特征图采用相同的卷积操作生成2*2的橙色特征图。（图中左边一列）按列可视化CNN特征图，如果只看特征图，我们无法得知特征的位置（即感受野的中心位置）和区域大小（即感受野的大小），而且无法深入了解CNN中的感受野信息。（图中右边一列）CNN特征图的大小固定，其特征位置即感受野的中心位置。

感受野的计算：具体看layer1的feature map左上角带有红点的特征（可以理解为一个像素），它对应输入layer0的区域大小就是我们要计算的感受野。很显然，经过3*3卷积核卷积后，它对应layer0层上的灰色区域。

再看layer1到layer2的过程，卷积过程的第一步是先加padding，p2=1，这里的1是特征所占的区域，换句话说就是一个特征所占的感受野。