我正在阅读一本机器学习书，并在CNN章节中看到了这本书。
卷积层的权重表示为的4D张量 形状[fh，fw，fn'，fn]。卷积层的偏项为 简单地表示为形状[fn]的一维张量。其中fh是感受野的高度，而fw是感受野的宽度。 fn'是上一层的特征图数量，fn是当前层的特征图数量。
我试图了解给定顺序中的每个数字表示什么。是否创建了一个4级矩阵，其中每个条目代表将具有指定特征图和在接收域中的位置的上一层输出神经元连接到当前输出神经元的权重？
答案 0 :(得分：2)
fn'：
它表示上一层中的信道数，它也间接指定当前层中每个depth的{{1}}（或信道）。
kernels：
它表示当前层中要素地图的数量，即当前层中不同fn的数量。因为每个内核都输出单个通道。
kernels：
它代表fw的宽度。
kernel：
它代表fh的高度。
假设kernel，则图层（权重）的大小为[fh, fw, fn′, fn] = [3, 3, 10, 20]。每个内核的大小为20x10x3x3（其中10x3x3是空间的，深度是10），并且将有20个这样的内核。这些内核在先前的3x3功能图上运行，以输出20功能图。
此10矩阵中代表4d的每个条目将被共享。由于weight，它doesn't连接神经元one to one。卷积的主要优点本身就是convolution和接受域/本地连接。