Deep learning 基于参数共享的卷积神经网络权值计算

在阅读迈克·奥尼尔（Mike O’Neill）的一本书时，我遇到了一些关于卷积神经网络中权数的计算，我想了解一下。网络的体系结构如下所示：

这是上述文章的解释：

第2层也是一个卷积层，但有50个特征地图。每个 要素图为5x5，要素图中的每个单元为5x5 所有6个特征对应区域的卷积核 先前图层的贴图，每个图层都是13x13要素贴图。 因此#2，（5x5+1）x6x50层中有5x5x50=1250个神经元= 7800个砝码，1250x26=32500个连接

对我来说，权重数的计算，（5x5+1）x6x50=7800，似乎很奇怪。不应该是这样的实际计算： （5x5x6+1）x50=7550根据解释的参数共享

我的论点如下： 我们有50个尺寸为5x5x6的过滤器，每个过滤器有1个偏差，因此权重总数为（5x5x6+1）x50=7550。这是Pytorch代码，用于验证：

import torch
import torch.nn as nn

model = nn.Conv2d(in_channels=6, out_channels=50, kernel_size=5, stride=2)
params_count = sum(param.numel() for param in model.parameters() if param.requires_grad)
print(params_count) # 7550

谁能解释一下，哪一个是正确的吗？

我的计算：

第一层深度为6，内核：5*5
第二层深度为50，内核：5*5

第二层神经元总数：5*5*50=1250

总重量为：5*5*50*6=7500

最后，第2层的偏差=50（深度为50）

我同意你的看法：总重量必须是7550