CNN 过滤器中有多少个参数？
How many parameters are in CNN filters?
卷积神经网络的每个过滤器有多少个参数？
我的书说：
"In color images, every filter is itself a 3D filter. This means every filter has a number of parameters: (height x width x depth) = (3 x 3 x 3 = 27). You can see how the network complexity increases when processing color images because it has to optimize more parameters..."
这听起来像是 2 X 2 滤镜对于彩色图像实际上是 2 X 2 X 3。但是Keras中的参数特征好像是第一次把filter算作3D，后面的时候就只有2D了。
这是我的输出数据：
图层（类型）
输出形状
参数#
conv2d (Conv2D)
(None, 32, 32, 16)
208
max_pooling2d (MaxPooling2D)
(None, 16, 16, 16)
0
conv2d_1 (Conv2D)
(None, 16, 16, 32)
2080
max_pooling2d_1 (MaxPooling2
(None, 8, 8, 32)
0
conv2d_2 (Conv2D)
(None, 8, 8, 64)
8256
max_pooling2d_2 (MaxPooling2
(None, 4, 4, 64)
0
因此在第一个示例中，我有 16 parameters x (2 x 2 x 3 filter) x 1 depth 个 previous layer + 16 biases = 208。所以在这个例子中，滤镜被算作 3D 滤镜，因为三个颜色通道中的每一个都可以有不同的值。
但是，如果您查看下一个值，我们有 32 parameters x (2 x 2 x 3 filter) x 16 depth of previous layer + 32 biases = 6176。我能得到 2080 的唯一方法是省略过滤器中的 3。
我拥有的最后一个卷积层也发生了同样的事情。
我有 64 parameters x (2 x 2 x 3 filter) x 32 depth of previous layer + 64 biases，它应该等于 24,640，但只等于 8256，大约是它应该是的值的 1/3（它不完全是一个的唯一原因第三是因为还有64个偏差）。
为什么会这样？我不明白为什么每个滤镜都没有 3 个通道，否则滤镜就不再是彩色滤镜了。
在卷积中，当它们表示过滤器是（高度 x 宽度 x 深度）形状时，“深度”是指来自先前输入的通道数，它不一定是 RGB 图像（它可能是来自之前的卷积）。
关于第二个卷积如何有 2080 个参数而不是 6176 个参数，输入深度实际上是 16 个通道而不是三个，因为你的第一个卷积将通道数增加到 16，所以正确的计算是 (2 * 2 * 16 * 32) + 32 等于 2080.
同样，对于你的第三个卷积，由于它的输入有来自第二个卷积输出的 32 个通道，它的参数数量将等于 (2 * 2 * 32 * 64) + 64，即 8256 个参数。
卷积神经网络的每个过滤器有多少个参数？ 我的书说：
"In color images, every filter is itself a 3D filter. This means every filter has a number of parameters:
(height x width x depth) = (3 x 3 x 3 = 27). You can see how the network complexity increases when processing color images because it has to optimize more parameters..."
这听起来像是 2 X 2 滤镜对于彩色图像实际上是 2 X 2 X 3。但是Keras中的参数特征好像是第一次把filter算作3D，后面的时候就只有2D了。
这是我的输出数据：
| 图层（类型） | 输出形状 | 参数# |
|---|---|---|
| conv2d (Conv2D) | (None, 32, 32, 16) | 208 |
| max_pooling2d (MaxPooling2D) | (None, 16, 16, 16) | 0 |
| conv2d_1 (Conv2D) | (None, 16, 16, 32) | 2080 |
| max_pooling2d_1 (MaxPooling2 | (None, 8, 8, 32) | 0 |
| conv2d_2 (Conv2D) | (None, 8, 8, 64) | 8256 |
| max_pooling2d_2 (MaxPooling2 | (None, 4, 4, 64) | 0 |
因此在第一个示例中，我有 16 parameters x (2 x 2 x 3 filter) x 1 depth 个 previous layer + 16 biases = 208。所以在这个例子中，滤镜被算作 3D 滤镜，因为三个颜色通道中的每一个都可以有不同的值。
但是，如果您查看下一个值，我们有 32 parameters x (2 x 2 x 3 filter) x 16 depth of previous layer + 32 biases = 6176。我能得到 2080 的唯一方法是省略过滤器中的 3。
我拥有的最后一个卷积层也发生了同样的事情。
我有 64 parameters x (2 x 2 x 3 filter) x 32 depth of previous layer + 64 biases，它应该等于 24,640，但只等于 8256，大约是它应该是的值的 1/3（它不完全是一个的唯一原因第三是因为还有64个偏差）。
为什么会这样？我不明白为什么每个滤镜都没有 3 个通道，否则滤镜就不再是彩色滤镜了。
在卷积中，当它们表示过滤器是（高度 x 宽度 x 深度）形状时，“深度”是指来自先前输入的通道数，它不一定是 RGB 图像（它可能是来自之前的卷积）。
关于第二个卷积如何有 2080 个参数而不是 6176 个参数，输入深度实际上是 16 个通道而不是三个，因为你的第一个卷积将通道数增加到 16，所以正确的计算是 (2 * 2 * 16 * 32) + 32 等于 2080.
同样，对于你的第三个卷积，由于它的输入有来自第二个卷积输出的 32 个通道，它的参数数量将等于 (2 * 2 * 32 * 64) + 64，即 8256 个参数。