与此 CNN 相关的权重和偏差参数的数量是多少？
What are the number of weight and bias parameters associated with this CNN?
在以下示例中，与卷积层关联的权重和偏差参数的数量是多少？
这里我们实际上只有一个卷积层和 2 个过滤器，用于 3 种不同的大小 (2,3,4)。
最后我确定了给定图中与卷积层相关的权重和偏差参数的数量。
对于过滤器大小 = 4，
total weight parameters = 4 * 5 = 20
total bias parameters = 1
Since, total filters = 2, so total parameters = (4 * 5 + 1) * 2 = 42
由于过滤器的大小为4，那么从4 x 5矩阵中，我们最终只会得到一个特征值。因此，kernel_value(1 x 20) x weight_param(20 x 1) 产生 1 个特征值。包括1个偏差参数，总共需要的参数是(20 + 1) = 21.
对于过滤器大小 = 3，
total weight parameters = 3 * 5 = 15
total bias parameters = 1
Since, total filters = 2, so total parameters = (3 * 5 + 1) * 2 = 32
对于过滤器大小 = 2，
total weight parameters = 2 * 5 = 10
total bias parameters = 1
Since, total filters = 2, so total parameters = (2 * 5 + 1) * 2 = 22
因此，总权重和偏差参数 = 42 + 32 + 22 = 96。
在以下示例中，与卷积层关联的权重和偏差参数的数量是多少？
这里我们实际上只有一个卷积层和 2 个过滤器，用于 3 种不同的大小 (2,3,4)。
最后我确定了给定图中与卷积层相关的权重和偏差参数的数量。
对于过滤器大小 = 4，
total weight parameters = 4 * 5 = 20
total bias parameters = 1
Since, total filters = 2, so total parameters = (4 * 5 + 1) * 2 = 42
由于过滤器的大小为4，那么从4 x 5矩阵中，我们最终只会得到一个特征值。因此，kernel_value(1 x 20) x weight_param(20 x 1) 产生 1 个特征值。包括1个偏差参数，总共需要的参数是(20 + 1) = 21.
对于过滤器大小 = 3，
total weight parameters = 3 * 5 = 15
total bias parameters = 1
Since, total filters = 2, so total parameters = (3 * 5 + 1) * 2 = 32
对于过滤器大小 = 2，
total weight parameters = 2 * 5 = 10
total bias parameters = 1
Since, total filters = 2, so total parameters = (2 * 5 + 1) * 2 = 22
因此，总权重和偏差参数 = 42 + 32 + 22 = 96。