卷积层的参数数量

在这篇被高度引用的论文中，作者对权重参数的数量进行了以下讨论。我不太清楚为什么它具有参数。我认为应该是因为每个输入通道共享同一个滤波器，该滤波器具有参数。 $49C^2$ $49C$ $C$ $49$

machine-learning deep-learning computer-vision

— 用户名
source

由于无法搜索，此处使用图像会降低问题的质量。请考虑改用文字。

— 尼尔·斯莱特

实际上是，第一个是输入通道的数量，第二个是滤波器的数量。 $49C*C$ $C$ $C$

来自CS231n的引用：

总而言之，转换层：

接受大小为 $W_1 \times H_1 \times D_1$

需要四个超参数：

过滤器数量， $K$

其空间范围， $F$

步幅， $S$

零填充量。 $P$

产生尺寸为的体积，其中： $W_2 \times H_2 \times D_2$

$W_2 = (W_1 - F + 2P)/S + 1$

（即，宽度和高度是由对称同样计算的） $H_2 = (H_1 - F + 2P)/S + 1$

$D_2 = K$

与参数共享，它引入每滤波器权重，总共重量和偏见。 $F \cdot F \cdot D_1$ $(F \cdot F \cdot D_1) \cdot K$ $K$

$d$ $W_2 \times H_2$ $d$ $S$ $d$

$F = 3, S = 1, P = 1$

— 冰刀
source

您好Icyblade，感谢您的回复。但是，我的问题仍然与“使用参数共享，它介绍了每个过滤器的FFD1权重”这一语句有关。我们知道每个过滤器都有两个连接到D1输入通道的通道，因此根据此语句，连接此过滤器的权重是不同的在不同的输入通道之间，对吗？

— user297850

这些权重的值不同，但是数量相同。

— Icyblade

由于无法搜索答案，因此在此处使用图像粘贴会降低答案的质量。请考虑改用文字。但是，我同意答案-在我看来，这是正确的。

— 尼尔·斯莱特

@ user297850：请不要扩展您的问题-如果仍然有问题，请再提出一个问题。

— 尼尔·斯莱特

@NeilSlater感谢您的提示，重新格式化需要花费一些时间。

— Icyblade