nombre de paramètres pour les couches de convolution

Dans cet article très cité , les auteurs donnent la discussion suivante sur le nombre de paramètres de poids. Je ne sais pas très bien pourquoi il a des paramètres . Je pense que ce devrait être car chacun des canaux d'entrée partage le même filtre, qui a paramètres. 49 C C $49C^2$$49C$$C$$49$

En fait, c'est , le premier est le nombre de canaux d'entrée et le second est le nombre de filtres.C $49C*C$$C$$C$

Citation de CS231n :

Pour résumer, la couche Conv:

• Accepte un volume de taille$W_1 \times H_1 \times D_1$
• Nécessite quatre hyperparamètres:
  • Nombre de filtres ,$K$
  • leur étendue spatiale ,$F$
  • la foulée ,$S$
  • la quantité de remplissage de zéros .$P$
• Produit un volume de taille où: $W_2 \times H_2 \times D_2$
  • $W_2 = (W_1 - F + 2P)/S + 1$
  • $H_2 = (H_1 - F + 2P)/S + 1$ (c'est-à-dire que la largeur et la hauteur sont calculées également par symétrie)
  • $D_2 = K$
• Avec le partage de paramètres, il introduit poids par filtre, pour un total de poids et biais. ( F ⋅ F ⋅ D 1 ) ⋅ K $F \cdot F \cdot D_1$$(F \cdot F \cdot D_1) \cdot K$$K$
• Dans le volume de sortie, la tranche de profondeur -ième (de taille ) est le résultat de l' exécution d' une convolution valide du filtre -ième sur le volume d'entrée avec un pas de , puis neutralisées par -ième biais.L 2 × H 2 d S $d$$W_2 \times H_2$$d$$S$$d$

Un paramètre commun des hyperparamètres est . Cependant, il existe des conventions et des règles générales communes qui motivent ces hyperparamètres. Voir la section Architectures ConvNet ci-dessous.$F = 3, S = 1, P = 1$