关于卷积参数

博客介绍了卷积相关参数,stride代表步长,pad表示填充,group指分组,当年因GPU性能有限,采用分组分别卷积即群卷积。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

stride表示步长
pad表示填充,如图:
在这里插入图片描述
group表示分组,主要当年GPU不是很强大,分成多组分别卷积,叫做群卷积。
在这里插入图片描述

### 卷积参数数量计算 对于卷积神经网络中的卷积层而言,其主要可训练参数由两部分组成:卷积核权重以及标量偏置项。具体来说: - **卷积核权重**:假设输入特征图的通道数为 \(C_{in}\),输出特征图的通道数为 \(C_{out}\),卷积核的高度和宽度分别为 \(K_h\) 和 \(K_w\),那么单个卷积核所含有的参数数目即为其高度乘以其宽度再乘以输入通道数加上一个偏置项,即 \((K_h \times K_w \times C_{in} + 1)\)[^1]。 - **总参数量**:由于每个输出通道对应着一组独立的卷积核及其对应的偏置,因此整个卷积层总的参数数量等于上述单个卷积参数数量乘以输出通道数 \(C_{out}\),也就是 \((K_h \times K_w \times C_{in} + 1) \times C_{out}\)[^1]。 需要注意的是,在实际应用中,当涉及到多尺度或多组卷积核的情况时,则需针对每一个不同的卷积核单独按照此公式进行计算后再累加起来得到最终的结果[^3]。 ```python def calculate_conv_params(Kh, Kw, Cin, Cout): """ Calculate the number of parameters in a convolutional layer. Args: Kh (int): Height of kernel size. Kw (int): Width of kernel size. Cin (int): Number of input channels. Cout (int): Number of output channels. Returns: int: Total number of parameters including biases. """ params_per_kernel = Kh * Kw * Cin + 1 # Each filter has its own bias term total_params = params_per_kernel * Cout return total_params ``` #### 参数说明: - `Kh` 表示卷积核的高度; - `Kw` 表示卷积核的宽度; - `Cin` 是输入图像或上一层输出的通道数; - `Cout` 则代表该层产生的新特征映射的数量(也即是滤波器的数量); 通过以上函数可以方便地根据给定的具体数值来估算任意指定配置下的卷积层所需的学习参数总量。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值