numero di parametri per i livelli di convoluzione

In questo articolo molto citato , gli autori danno la seguente discussione sul numero di parametri di peso. Non sono molto chiaro il motivo per cui ha parametri . Penso che dovrebbe essere poiché ciascuno dei canali di input condivide lo stesso filtro, che ha parametri. 49 C C $49C^2$$49C$$C$$49$

In realtà è , la prima è il numero di canali di ingresso e la seconda è il numero di filtri.C $49C*C$$C$$C$

Citazione da CS231n :

Per riassumere, il Conv Layer:

• Accetta un volume di dimensioni$W_1 \times H_1 \times D_1$
• Richiede quattro iperparametri:
  • Numero di filtri ,$K$
  • la loro estensione spaziale ,$F$
  • il passo ,$S$
  • la quantità di zero padding .$P$
• Produce un volume di dimensioni dove: $W_2 \times H_2 \times D_2$
  • $W_2 = (W_1 - F + 2P)/S + 1$
  • $H_2 = (H_1 - F + 2P)/S + 1$ (ovvero larghezza e altezza sono calcolate equamente per simmetria)
  • $D_2 = K$
• Con la condivisione dei parametri, introduce i pesi per filtro, per un totale di pesi e distorsioni. ( F ⋅ F ⋅ D 1 ) ⋅ K $F \cdot F \cdot D_1$$(F \cdot F \cdot D_1) \cdot K$$K$
• Nel volume di output, la porzione di profondità (di dimensioni ) è il risultato dell'esecuzione di una convoluzione valida del filtro -th sul volume di input con una falcata di , quindi spostata di -th bias.W 2 × H 2 d S $d$$W_2 \times H_2$$d$$S$$d$

Un'impostazione comune degli iperparametri è . Tuttavia, ci sono convenzioni e regole empiriche comuni che motivano questi iperparametri. Vedere la sezione architetture ConvNet di seguito.$F = 3, S = 1, P = 1$