1樓：
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
2樓：行者隨緣
說608的回答的計算方式都是對的，可以看看MobileNet那篇文章，文中為了說明spearable conv的計算量更少，對傳統卷積的計算量和參數量都做了詳細的描述
3樓：Mr.腦
這個表裡面不但conv1，conv2引數個數錯了，下面的fc3，fc4，softmax引數個數都寫錯了。fc3是400×120+120，而不是加1。
4樓：tsunderetortoise
是208。這裡CONV1的引數只要算filter的引數，為5*5*8+8=208；同理，5*5*16+16=416為CONV2的引數。
5樓：乙個閒人
應該是608，參看Memory usage and computational considerations，參數量需要乘以前層通道數。和知乎內另乙個類似問題的回答。
6樓：chenxingwei
是608！Ng應該弄錯了。我們在做卷積的時候，卷積核的大小為[width, height, depth, output], width和height是卷積核的大小，depth是卷積核的深度，這個深度必須和前一層的輸出的深度相同，output為輸出的深度。
所以在Conv1中是需要乘以3的。
7樓：Ryan
當然不是608，208是正確的。5*5*8+8=208。前提是用了bias。你乘3幹嘛，又不是separable conv 操作
卷積神經網路中學習的引數有哪些？
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，...
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...
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...