深度学习｜表示学习｜卷积神经网络｜参数共享是什么？｜07

如是我闻： Parameter Sharing（参数共享）是卷积神经网络（CNN）的一个重要特性，帮助它高效地处理数据。参数共享的本质就是参数“本来也没有变过”。换句话说，在卷积层中，卷积核的参数（权重和偏置）是固定不变的，在整个输入上重复使用。

什么是参数共享（Parameter Sharing）？

参数共享 是指：
在卷积层中，同一个卷积核（filter）在整个输入图像上重复使用，计算所有局部区域的特征。
换句话说：

• 对于每一层的卷积操作，同一个卷积核的权重在图像的不同位置是相同的。
• 这样，模型在处理不同位置的局部区域时，使用的是相同的参数（权重）。

参数共享是如何实现的？

1. 卷积核在空间维度上的滑动：

• 假设输入是一个 $32\times 32$的图像，卷积核大小为 $3\times 3$：
  • 卷积核会从左上角开始，逐步在图像上滑动（移动一个步长），对每个 $3\times 3$ 区域执行点积计算。
  • 在滑动过程中，卷积核的参数（权重和偏置）保持不变。
  • 这样，卷积核在整个图像上提取相同类型的特征（例如边缘、纹理等）。

2. 跨通道的参数共享：

• 如果输入图像有多个通道（例如 RGB 图像有 3 个通道），每个卷积核的深度与输入的通道数相同。
• 卷积核的权重在所有输入通道上共享，并综合每个通道的特征，生成一个输出值。

3. 多个卷积核产生多个特征图：

• 一层可以有多个卷积核（比如 64 个），每个卷积核学习不同的特征。
• 每个卷积核的参数是独立的，但它本身的参数在输入的不同位置是共享的。

为什么要使用参数共享？

1. 减少参数数量：

• 全连接层：
  如果输入是 $32\times 32$ 的图像，假设有 1 个神经元连接整个图像，则需要 $32\times 32=1024$ 个参数。如果有 1000 个神经元，则需要 $1024\times 1000=1,024,000$个参数。
• 卷积层：
  使用一个大小为 $3\times 3$的卷积核，它只有 $3\times 3=9$ 个参数（再加一个偏置，共 10 个参数），而它可以在整个图像上滑动重复使用。

因此，参数共享大幅减少了模型的参数数量，使模型更容易训练，并减少过拟合的风险。

2. 捕获空间不变性：

• 自然数据（如图像）中的某些特征是局部的和重复的。例如，边缘、角点或纹理可能出现在图像的不同位置。
• 参数共享允许卷积核在整个图像上“搜索”这些特征，而无需为每个位置单独训练一组参数。

3. 提高计算效率：

• 共享参数减少了计算量，因为在整个输入上重复使用相同的权重，而不是为每个位置训练独立的权重。

参数共享的一个具体示例

输入：

• 假设输入是一个 $32\times 32\times 3$的 RGB 图像。

卷积核：

• 使用一个大小为 $3\times 3\times 3$ 的卷积核。
• 该卷积核有 $3\times 3\times 3=27$ 个权重，加上 1 个偏置参数，总共有 28 个参数。

滑动操作：

• 卷积核会从左上角开始，在整个图像上滑动，逐步提取特征。
• 对于每个 $3\times 3\times 3$ 的局部区域，卷积核会执行点积计算，并生成一个输出值。
• 卷积核的 28 个参数在整个 $32\times 32\times 3$ 的输入上是共享的。

输出：

• 如果输出特征图的大小是 $30\times 30$（假设没有填充），那么整个输出中包含 $30\times 30=900$ 个值，这 900 个值是由同一个卷积核生成的。

没有参数共享会怎样？

假如没有参数共享，每个位置的感受野都需要一个独立的卷积核参数：

• 如果输入是 $32\times 32\times 3$，卷积核大小为 $3\times 3\times 3$，输出大小是 $30\times 30\times 1$，那么：
  • 每个位置需要独立的 $3\times 3\times 3=27$个参数。
  • 总参数数目为 $30\times 30\times 27=24,300$。

相比之下，使用参数共享时，卷积核只需要 28 个参数（包含偏置），参数大幅减少。

卷积层的参数共享 vs 全连接层

总的来说

1. 参数共享的本质：
   卷积核的权重在输入数据的不同区域共享，从而减少参数数量并提高计算效率。

2. 带来的优势：

   • 参数数量减少，更易训练。
   • 特征共享，对输入的不同位置学习相同的模式。
   • 提高模型的泛化能力，降低过拟合风险。

以上