컨벌루션 레이어의 매개 변수 수

에서 이 많이 인용 논문 , 저자는 체중 매개 변수의 수에 대한 다음의 설명을 제공합니다. 왜 그런지 잘 모르겠습니다$49C^2$매개 변수. 나는 그것이 있어야한다고 생각$49C$ 각각의 이후 $C$ 입력 채널은 동일한 필터를 공유합니다. $49$ 매개 변수.

실제로 그것은 $49C*C$, 첫번째 $C$ 입력 채널 수이며 두 번째는 $C$ 필터 수입니다.

CS231n 에서 인용 :

전환 레이어를 요약하면 다음과 같습니다.

• 크기의 볼륨을 받아들입니다 $W_1 \times H_1 \times D_1$
• 4 개의 하이퍼 파라미터가 필요합니다 :
  • 필터 수 $K$,
  • 그들의 공간 범위 $F$,
  • 보폭 $S$,
  • 제로 패딩의 양 $P$.
• 크기의 볼륨을 생성 $W_2 \times H_2 \times D_2$ 어디:
  • $W_2 = (W_1 - F + 2P)/S + 1$
  • $H_2 = (H_1 - F + 2P)/S + 1$ (즉, 너비와 높이는 대칭으로 동일하게 계산됩니다)
  • $D_2 = K$
• 매개 변수 공유를 통해 $F \cdot F \cdot D_1$ 필터 당 무게, 총 $(F \cdot F \cdot D_1) \cdot K$ 무게와 $K$ 편견.
• 출력 볼륨에서 $d$깊이 슬라이스 (크기) $W_2 \times H_2$)는 유효한 컨벌루션을 수행 한 결과입니다. $d$보폭으로 입력 볼륨에 대한 두 번째 필터 $S$다음으로 오프셋 $d$-바이어스.

하이퍼 파라미터의 일반적인 설정은 $F = 3, S = 1, P = 1$. 그러나 이러한 하이퍼 파라미터에 동기를 부여하는 일반적인 규칙과 경험 법칙이 있습니다. 아래의 ConvNet 아키텍처 섹션을 참조하십시오.