CNN中权值共享

最新推荐文章于 2025-07-11 23:31:47 发布
最新推荐文章于 2025-07-11 23:31:47 发布
阅读量1.9k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习 深度学习 文章标签： CNN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ssssdbucdbod/article/details/80454369
权值共享是CNN的关键特性，通过使用同一卷积核对图像进行卷积，显著减少了模型参数数量。例如，对100*100像素图像使用10*10卷积核，只需101个参数，而非每个像素独立连接。多个卷积核能提取不同特征，形成Feature Map。相比于传统神经网络，CNN的参数数量大大减少，如从784x30+30降低到606，降低了约40倍。

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

简单来说就是用一个卷积核来和一个图像来进行卷积，记住是同一个卷积核，不改变卷积核的值。这样可以减少权值参数。共享就是一个图片对卷积核是共同享有的。

对于一个100*100像素的图像，如果我们用一个神经元来对图像进行操作，这个神经元大小就是100*100=10000，单如果我们使用10*10的卷积核，我们虽然需要计算多次，但我们需要的参数只有10*10=100个，加上一个偏向b，一共只需要101个参数。我们取得图像大小还是100*100。

如果我们取得图像比较大，它的参数将会更加多。我们通过10*10的卷积核对图像进行特征提取，这样我们就得到一个

最低0.47元/天 解锁文章

200万优质内容无限畅学
卷积神经网络CNN---权值共享
m0_37957160的博客
03-12 1万+
1、权值共享的由来： 权值共享这个词最开始其实是由LeNet5模型提出来，在1998年，LeCun发布了LeNet网络架构，就是下面这个： 虽然现在大多数的说法是2012年的AlexNet网络是深度学习的开端，但是CNN的开端最早其实可以追溯到LeNet5模型，它的几个特性在2010年初的卷积神经网络研究中被广泛的使用——其中一个就是权值共享。 2、什么是权值共享？ 所谓权值共享就是说给定一张输入图片，用一个卷积核来卷积这张图，卷积核里的值叫做权重，这张图的每个位置是被同一个卷积核扫的，即卷积的
CNN 权值共享
Jiashilin
07-29 1359
权值共享 在下图中，如果不使用权值共享，则特征图由10个32*32*1的特征图组成，每个特征图上有1024个神经元，每个神经元对应输入图像上的一块5*5*3的区域，所以一个神经元和输入图像的这块区域有75个连接，即75个权值参数，则共有75*1024*10=768000个权值参数，这对于参数的调整和传递非常不利，因此卷积神经网络引入权值共享原则，一个特征图上每个神经元对应的75个权值参数被每个...
CNN中的局部连接(Sparse Connectivity)和权值共享
weixin_34112030的博客
11-16 2479
局部连接与权值共享 下图是一个很经典的图示，左边是全连接，右边是局部连接。 对于一个1000 × 1000的输入图像而言，如果下一个隐藏层的神经元数目为10^6个，采用全连接则有1000 × 1000 × 10^6 = 10^12个权值参数，如此数目巨大的参数几乎难以训练；而采用局部连接，隐藏层的每个神经元仅与图像中10 × 10的局部图像相连接，那么...
【AI深究】CNN中的卷积核参数共享（Parameter Sharing）与感受野推导（Receptive Field）——全网最详细全流程详解与案例（附Python代码演示）|原理数学推导、实际案例
最新发布
AI人工智能爱酱～你的AI学习好帮手～
07-11 773
大家好，我是爱酱。本篇将会系统梳理卷积神经网络（CNN）中卷积核参数共享（Parameter Sharing）与感受野（Receptive Field）的原理、数学推导、工程意义、实际案例及可视化代码，便于直接亲身尝试。 注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！
cnn中权值共享理解
热门推荐
lien0906的专栏
04-26 3万+
CNN中权值共享理解 第一步，针对一个神经元，一幅640*360图像，一个神经元要对应640*360个像素点，即一个神经元对应全局图像，全连接的话一个神经元就有640*360个参数； 第二步，然而，图像的空间联系是局部的，就像人是通过一个局部的感受野去感受外界图像一样，每一个神经元都不需要对全局图像做感受，每个神经元只感受局部的图像区域，然后在更高层，将这些不同局部的神经元综合起来就可
【深度学习之美】局部连接来减参，权值共享肩并肩（入门系列之十一）
weixin_34267123的博客
08-06 618
系列文章： 一入侯门“深”似海，深度学习深几许（深度学习入门系列之一） 人工“碳”索意犹尽，智能“硅”来未可知（深度学习入门系列之二） 神经网络不胜语，M-P模型似可寻（深度学习入门系列之三） “机器学习”三重门，“中庸之道”趋若人（深度学习入门系列之四） Hello World感知机，懂你我心才安息 (深度学习入门系列之五) 损失函数减肥用，神经网络调...
CNN---权值共享
william_hehe的博客
12-24 6881
1.定义：         权值共享指由单个参数(权重)控制多个连接，亦可解释为在连接强度之间施加相等的约束。通过权值共享，模型可以获取非常小的计算成本。 2.直观理解： 如上图所示，设Image为一个5*5的矩阵A，卷积核为一个3*3的矩阵B，输出特征图为3*3的矩阵C，那么有： C11= A11*B11+ A12*B12+A13*B13+…+A31*B31+A32*B32+A33*...
如何理解CNN中的权值共享
Able的博客
12-15 1428
记录一下深度学习中CNN中的权值共享 首先，卷积网络的核心思想是将：局部感受野、权值共享（或者权值复制）以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性。 通俗理解，所谓的权值共享\color{black}{权值共享}权值共享就是说，给一张输入图像，用一个filter去扫面这种图，filter里面的数就叫权重，这张图每个位置是被同样的filter扫的，所以权重是一样...
cnn中的局部链接和权值共享
Jiashilin
09-27 2686
CNN中非常有特点的地方就在于它的局部连接和权值共享， 通过卷积操作实现局部连接，这个局部区域的大小就是滤波器filter，避免了全连接中参数过多造成无法计算的情况， 再通过参数共享来缩减实际参数的数量，为实现多层网络提供了可能。 卷积操作 在CNN中是利用卷积层进行特征提取的，图像的三个通道R(red)、G(green)、B(blue)，分别用不同的卷积核来进行卷积操作，说起卷积核这让我想...
CNN之权值共享
qq_52302919的博客
03-11 2441
上图所示：若我们有1000x1000像素的图像（一个输入张量），有1百万个隐藏层的神经元（一个像素即为一个神经元，也就是单次卷积对应的结果数值如下图的动画，一次卷积为一个神经元），如果全连接（即每个隐层神经元都要与图像的每一个像素点进行连接），就有1000∗1000∗1000000=10121000*1000*1000000=10^{12}1000∗1000∗1000000=1012个连接，也就是101210^{12}1012个权值参数。但是图像的空间联系是局部的，就像人是通过一个局部的感受野去感受外界图.
权值共享（卷积运算对比全连接运算）
qq_42902997的博客
03-18 5473
1. 全连接的神经网络 如果不进行卷积操作，那么所有的神经网络层之间将全部使用全连接。 图中的两级神经元： 第 1 层表示的是将 2 维图片延展成 1 维， 第 2 层表示的是第 1 层的数据进行矩阵运算之后得到的数据，就相当于特征图延展成 1 维的数据 所以，如果原图的尺寸是 M×N，假设特征图的尺寸为 P×Q ，那么运算的过程中的权重个数是 M×N×P×Q，权重的个数就是图中两层神经元之...
pytorch动态网络以及权重共享实例
09-18
今天小编就为大家分享一篇pytorch动态网络以及权重共享实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
权值共享：解决分布式系统中的负载均衡问题
AI天才研究院
12-31 1117
1.背景介绍 分布式系统是现代计算机系统中最常见的一种系统结构。它由多个独立的计算机节点组成，这些节点通过网络连接在一起，共同完成某个任务或提供某个服务。在分布式系统中，负载均衡是一项重要的技术，它可以确保系统的整体性能得到最大化，避免某个节点过载而导致系统崩溃。 负载均衡的核心思想是将请求分发到多个节点上，以便每个节点的负载得到均衡。这样可以提高系统的整体吞吐量、提高系统的可用性，降低单点故...
深度学习（十五）卷积神经网络CNN（4）---权值共享
QuinnHanz的博客
06-03 1万+
作用：大大减少网络训练参数的同时，还可以实现并行训练。 原理：所谓权值共享就是说给定一张输入图片，用一个卷积核来卷积这张图，卷积核里的值叫做权重，这张图的每个位置是被同一个卷积核扫的，即卷积的时候所用的权重是一样的。其实权值共享这个词说全了就是整张图片在使用同一个卷积核内的参数，比如一个3*3*1的卷积核，这个卷积核内9个的参数被整张图共享，而不会因为图像内位置的不同而改...
权值共享在社交网络中的应用与优化
AI天才研究院
12-27 675
1.背景介绍 社交网络是现代互联网的一个重要部分，它们为人们提供了一种快速、实时地与他人互动和交流的方式。社交网络中的用户通过发布内容、评论、点赞等方式来建立社交关系，这些关系可以被视为用户之间的权重。权值共享(PageRank)是一种用于计算网页在搜索引擎中的排名的算法，它可以用于解决社交网络中的权重分配问题。 在社交网络中，权值共享可以用于计算用户的社交权重，这有助于优化社交推荐、社交搜索...
神经网络中的权值共享是什么？
优快云 精品推荐
08-08 2142
权值共享通常在卷积神经网络（Convolutional Neural Networks，CNNs）中使用，因为CNNs在图像处理等任务中有很强的表现，并且图像中的局部特征具有平移不变性，这意味着对于图像的不同位置，相同的特征可以共享相同的权重。权值共享的一个典型示例是CNN中的卷积层，其中卷积核的参数被共享，这允许网络在整个输入上检测相同的特征。权值共享是一种神经网络中的技术，它可以在模型中的不同位置共享相同的权重参数，从而减少模型参数的数量并改善模型的泛化能力。
局部感知与权值共享
Le0v1n 的博客
06-28 4450
1. Introduction 深度学习的两大核心特征： 局部感知 权值共享 2. Local Perception 图1 全连接与局部连接 图1(a)表示神经网络中神经元之间的全连接结构，即前后两层神经元都是彼此相互连接的，这样可以保证后面一层的每个神经元都能获取前面一层神经元的所有信息。图1(b)表示神经元之间进行局部连接，即后面一层的神经元只与前面一层的部分神经元进行连接，这样后面一层的神经元只能包含前面一层神经元的部分信息。表面上看局部连接似乎损失了部分信息，但实际上后层神经元并没有损失信息
卷积神经网络中的权值共享和局部连接
duxinyuhi的专栏
01-31 2813
权值共享，就是输入一张图，用一个filter去扫这张图，filter里面的数就叫权重，这张图每个位置都是被同样的filter扫的
理解卷积神经网络中的权值共享
lovely_yoshino的博客
07-04 1万+
简单从共享的角度来说：权重共享即filter的值共享 卷积神经网络两大核心思想： 1.网络局部连接（Local Connectivity） 2.卷积核参数共享（Parameter Sharing） 两者的一个关键作用就是减少参数数量，使运算变得简洁、高效，能够在超大规模数据集上运算。 下面来用最直观的图示，来阐明两者的作用。 CNN的正确打开方式，如下所示 概括为：一个 的卷积核在图像上扫描，进行特征提取。通常， ， 的卷积核较为常用，如果channels为 [公式] 的话（32,64是较为常用的通道
神经网络中的权值共享
07-27
在神经网络中，权值共享是指在卷积层中使用相同的权重参数来处理输入的不同位置。这意味着每个卷积核只需要学习一组参数，而不是为每个位置都学习不同的参数。这种共享权值的操作有效地减少了卷积层中的参数数量，并且利用了图像空间上的局部相关性。通过权值共享，卷积操作可以在任意大小的图像上使用固定大小的卷积核，从而实现特征的自动提取。这是卷积神经网络（CNN）与传统神经网络或机器学习方法的一个重要区别。在CNN中，通常会使用多个卷积核来增加网络的表达能力，因为每个卷积核只能提取一种特征。因此，选择适当数量的卷积核是一个超参数的问题。\[2\]\[3\] #### 引用[.reference_title] - *1* *2* *3* [如何理解卷积神经网络中的权值共享](https://blog.youkuaiyun.com/chaipp0607/article/details/73650759)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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