1樓：劉冬煜
卷積神經網路中有很多執行不同功能的層結構，同時也有很多引數需要學習。其中池化層（包括空間金字塔池化層）、reshape層、softmax層是沒有需要學習的引數的，下面我將會盤點CNN中的所有引數。
卷積層是CNN的核心，其引數則是卷積核的權值以及各通道的偏置量。其中權值的梯度需要使用反卷積獲得，偏置量的梯度則是對應通道的誤差之和。
全連線層的引數同樣也是權值和偏置量。其中權值的梯度是上一層的輸出和當前層誤差轉置的積，而各通道的偏置量則也是對應通道的誤差。
BN層有乙個scale和乙個shift引數，也可以看作是權值和偏置量。計算方法相同，在此不再贅述。
一般的啟用層沒有引數，但如果啟用函式是PReLU則不同了——它需要學習乙個x < 0時的權值，方法也是上一層負的輸出與對應的當前層誤差的積之和。
總體上就是這些引數，總結出來就是各層的權值和偏置量。
2樓：Jack Stark
CNN中的引數有：
可學習的引數：卷積層和全連線層的權重、bias、BatchNorm的 等。
不可學習的引數(超引數)：學習率、batch size、weight decay、模型的深度寬度解析度等。
卷積神經網路引數個數？
我覺得應該是208，雖然是三通道，但是，每個卷積核和三個通道進行運算時，引數都是一樣的，說608應該是說總共有多少個引數，比如2個w1，你說是乙個引數還是2個引數，說兩個確實是2個，說乙個也確實是乙個，都是w1，不就是乙個麼，所以可能理解不同，608說的是數量，208說的是種類 行者隨緣 說608的...
卷積神經網路（CNN）和迴圈神經網路 RNN 有什麼區別？
不存在的1990 從字面區分 cnn 裡面的 c指 convolutional operation，是一種提取影象特徵方法。把這一operation加入到layer裡面構成了convolutional layer。rnn裡的r 指recurrent，中文是重複的意思。rnn構造的結構也是recurr...
卷積神經網路和BP神經網路的關係？
乙個維度的BP神經網路就相當於CNN中的全連線了，無非是多幾個全連線，CNN是二維，二維如果搞成全連線就導致運算量巨大，所以有了權重共享，大大減少了運算量，CNN卷積的思想肯定也源於BP神經網路就，在影象上做二維卷積的CNN發出炫目的光芒下，BP神經網路就已經快被人們遺忘了，但是不管CNN再怎麼發展...