CNN里面的可学习参数； 深度学习，视频笔记；DL:deeplizard
文章目录在普通 的 fully connect layers在 cnn 中计算的例子最后的参数参考：本视频 内容：cnn 里面 的 可学习参数是啥如何 计算 cnn 里面 的可学习 参数 的个数计算 的示范在普通 的 fully connect layersweights 的计算方式如下：在 cnn 中首先：filterl == kernel把三个 部分 的 参数 加起来吧，就行了计算的例子第一个
本视频 内容：
- cnn 里面 的 可学习参数是啥
- 如何 计算 cnn 里面 的可学习 参数 的个数
- 计算 的示范
在普通 的 fully connect layers
weights 的计算方式如下：
在 cnn 中
首先：
filterl == kernel
把三个 部分 的 参数 加起来吧，就行了
计算的例子
第一个hidden layer
3
∗
(
2
∗
3
∗
3
)
+
2
=
56
3* (2*3*3)+2=56
3∗(2∗3∗3)+2=56
接下的一层；
2 ∗ ( 3 ∗ ( 3 ∗ 3 ) ) + 3 = 57 2*(3*(3*3))+3=57 2∗(3∗(3∗3))+3=57
output layer:
20 * 20 * 3 = 1200 这是因为 我们的 conv layer 包含 zero padding，所以，输出还是 原图 的 尺寸： 20x20
乘上 3 个 filter 就是 1200
注意 ： output layer 是 dense layer
所以： 1200 * 2 + 2(bais) = 2402
最后的参数
参考：
https://www.youtube.com/watch?v=iuJgyiS7BKM&list=PLZbbT5o_s2xq7LwI2y8_QtvuXZedL6tQU&index=34
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
0
0- 0
已为社区贡献2条内容
所有评论(0)