update conv-layer.md

chapter_convolutional-neural-networks/conv-layer.md

@@ -347,7 +347,7 @@ d2l.reshape(conv2d.weight, (1, 2))
 请注意，感受野可能大于输入的实际大小。让我们用 :numref:`fig_correlation`为例来解释感受野：
 给定$2 \times 2$卷积核，阴影输出元素值$19$的感受野是输入阴影部分的四个元素。
 假设之前输出为$\mathbf{Y}$，其大小为$2 \times 2$，现在我们在其后附加一个卷积层，该卷积层以$\mathbf{Y}$为输入，输出单个元素$z$。
-在这种情况下，$\mathbf{Y}$上的$z$的感受野包括$\mathbf{Y}$的所有四个元素，而输入的感受野包括最初所有九个输入元素。
+在这种情况下，$z$在层$\mathbf{Y}$上的感受野包括$\mathbf{Y}$的所有四个元素，而在输入的$\math3 \times 3$的张量上的感受野包括最初所有九个输入元素。
 因此，当一个特征图中的任意元素需要检测更广区域的输入特征时，我们可以构建一个更深的网络。
 
 ## 小结