基本名词对应：
权值共享
CNN是权重共享，减少了参数的数量。这个有必要再对比研究一下。
一般神经网络层与层之间的连接是，每个神经元与上一层的全部神经元相连，这些连接线的权重独立于其他的神经元，所以假设上一层是m个神经元，当前层是n个神经元，那么共有 m × n m \times n m×n个连接，也就有 m × n m \times n m×n个权重。权重矩阵就是 m × n m \times n m×n形状。
一般用权重矩阵W表示，每一行是一个神经元与上一层所有神经元相连接的权重的值。
而在CNN里的权重共享是如何具体操作的呢？
需要理清的概念是，每个层都是一个展平的结构。原始图像是二维的，用在输入层的输入向量是一整条的。
卷积层存的是什么？
不是我最初理解的存的是多个卷积核的展开值，而是卷积计算的结果。具体下面会说到。
再理清一下卷积计算，我们知道是拿卷积核与卷积核的感受野里的像素进行卷积计算，
卷积层里存的是什么数值？卷积后的结果？还是权重？但我们知道权重是单独建立的矩阵，是待学习调优的对象，卷积层的值要再往后传，存的必须是像素处理后相关的值。
问题还是存在：卷积层个数与卷积核个数的关系是什么？
每层有多个Feature Map，每个Feature Map通过一种卷积滤波器提取输入的一种特征。每个Feature Map有多个神经元。
比如给定一个输入是32x32像素的图片，Feature Map大小是28x28的神经元阵列，每个神经元对应的值如何计算得来呢？按照卷积计算，比如5x5的卷积核，需要25个参数，也就是权重，在28x28的特征映射 | Feature Map里每个神经元都用这25个参数去进行卷积计算，这样就是所谓的权值共享。
那这个卷积层有多少参数呢？我们看一个Feature Map里每个神经元用的都是一样的5x5的卷积核，按照stride的值往前移动，每一步卷积结果对应一个神经元的值。所以，虽然权值相同，但是每一步下感受野对应的像素值是不同的，得到的结果自然也不同。
参数数量如何计算？单个特征映射里，用的权重一样，卷积核有25个参数，加上每个神经元有一个偏置bias参数，所以共26个参数，也就是一个Feature Map里有26个参数。这个隐层有6个特征图，所以本隐层有26 * 6 = 156个训练参数。
该隐层与输入层有多少连接呢？也很简单，我们看到一个神经元与5x5的像素值相连，共25个连接，注意到bias也是作为一个输入值，所以一个神经元有26个连接。接着看特征樱花色层有多少神经元就可以了，28x28是一个特征映射的神经元阵列，共有6个特征映射，所以得出：26 * 6 * 28 * 28 = 个连接。
28x28是怎么得来的？实际上假定的是padding为0，stride为1，就是开始直接把5x5的卷积核放在图像的左上角，5x5的二维矩阵的左上角对应图像的左上角，往右移动，一次一个像素，32 - 5 + 1 = 28，向下移动也是一样。
END.
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/44892.html