Tensorflow Google NASNet（一种神经网络）参数计数错误

我试图详细了解NASNet-A体系结构，但无法与论文中的参数计数相匹配

例如，文章说CIFAR-10 NASNet-A“6@768”模型有3.3百万个参数，但根据我的计算，最后一个单元格中的单个“sep 5x5”原语应该只有2.9百万个参数……这不可能是正确的

下面是我如何推导出这个计数

“6@768”表示法意味着“网络倒数第二层中的过滤器数量”是768，我假设这意味着单元中每个基本操作中的过滤器数量是768，因此concat操作的输出深度（有5个块输入）是5*768。由于形状仅由还原单元更改，因此最终单元的输入（先前正常单元的concat输出）深度也将为5*768

因此，对于5*768个输入通道和768个输出通道的5x5可分离卷积，参数数量为：

5x5x1*（5*768）=96,00个参数，用于5x5深度过滤器，加上

1x1点式过滤器的1x1x（5*768）x768=2949128个参数

---

我哪里出错了

单元格块每次操作的输出通道数量取决于定义的

num\u conv\u过滤器。例如，对于CIFAR NASNet-A，它是32，在每个
还原单元之后，它会加倍

虽然他们提到他们有B=5个块，没有剩余连接，但他们似乎有6个串联的过滤器块，最后一个似乎来自上一层。
见：

例如，这就是为什么第一个单元格中有192个特征深度：
6*32=192.
您可以在此处查看预期深度：

例如，对于最后一个
5x5可分离卷积
，您可以得到：
5x5*768+768*128=117504参数

有关可分离卷积的更多信息：