จำนวนพารามิเตอร์สำหรับเลเยอร์ convolution

ในบทความที่อ้างถึงอย่างสูงนี้ผู้เขียนให้คำอธิบายเกี่ยวกับจำนวนพารามิเตอร์น้ำหนัก ฉันไม่ชัดเจนว่าทำไมมันมีพารามิเตอร์ฉันคิดว่ามันควรจะเป็นเนื่องจากแต่ละช่องสัญญาณใช้ตัวกรองเดียวกันร่วมกันซึ่งมีพารามิเตอร์$49C^2$$49C$$C$$49$

อันที่จริงมันเป็นครั้งแรกคือจำนวนของช่องสัญญาณและที่สองคือจำนวนของฟิลเตอร์$49C*C$$C$$C$

อ้างอิงจากCS231n :

เพื่อสรุป Conv เลเยอร์:

• ยอมรับปริมาณขนาด$W_1 \times H_1 \times D_1$
• ต้องการพารามิเตอร์สี่พารามิเตอร์:
  • จำนวนของตัวกรอง ,$K$
  • ขอบเขตของพวกเขาอวกาศ ,$F$
  • ก้าว ,$S$
  • ปริมาณของศูนย์ช่องว่างภายในP$P$
• สร้างปริมาณของขนาดโดยที่: $W_2 \times H_2 \times D_2$
  • $W_2 = (W_1 - F + 2P)/S + 1$
  • $H_2 = (H_1 - F + 2P)/S + 1$ (เช่นความกว้างและความสูงถูกคำนวณอย่างเท่าเทียมกันโดยสมมาตร)
  • $D_2 = K$
• ด้วยการแชร์พารามิเตอร์จะแนะนำน้ำหนักต่อตัวกรองรวมน้ำหนักและอคติ$F \cdot F \cdot D_1$$(F \cdot F \cdot D_1) \cdot K$$K$
• ในปริมาณการส่งออกชิ้นส่วนความลึก -th (ขนาด ) คือผลลัพธ์ของการดำเนินการสังวัตนาที่ถูกต้องของตัวกรอง -th เหนือปริมาณอินพุตด้วย stride ของแล้วชดเชยด้วย -th อคติ$d$$W_2 \times H_2$$d$$S$$d$

การตั้งค่าทั่วไปของ hyperparameters คือ1 อย่างไรก็ตามมีการประชุมทั่วไปและกฎของหัวแม่มือที่กระตุ้นให้เกิดพารามิเตอร์ไฮเปอร์พารามิเตอร์เหล่านี้ ดูส่วนสถาปัตยกรรม ConvNet ด้านล่าง$F = 3, S = 1, P = 1$