我正在Keras学习CNN可训练参数计算。我只是想知道为什么我们将滤波器计算视为可训练参数？因为卷积过程是一个固定计算（即矩阵乘法），没有什么需要更新（可训练）。我知道有一个公式，但为什么我们将其视为可训练参数。例如：在第一个conV2D中，图像大小为10x10x1，滤波器为3 x 3，1个滤波器，参数为10（3x3+1）。亚历克斯
mgdq6dx11#
在卷积层中有一个3x3（x1）内核（x1，因为您的图像只有一个通道）。卷积层内核中的值是 learned 参数。除了内核本身，卷积层（可能，通常是可选的）具有可学习的偏差参数（这是你公式中的+1）。你的问题有点难以理解，但在您的设置中，您似乎要求该层学习10个不同卷积核的参数（每个都有偏差），因此有10（3 × 3 +1）个学习参数。
1条答案
按热度按时间mgdq6dx11#
在卷积层中有一个3x3（x1）内核（x1，因为您的图像只有一个通道）。卷积层内核中的值是 learned 参数。除了内核本身，卷积层（可能，通常是可选的）具有可学习的偏差参数（这是你公式中的+1）。你的问题有点难以理解，但在您的设置中，您似乎要求该层学习10个不同卷积核的参数（每个都有偏差），因此有10（3 × 3 +1）个学习参数。