Tensorflow 在计算可训练参数时，为什么要考虑前一层的通道数（LeNET-5）？

根据我的理解，CNN网络中的可训练参数只是反向传播过程中改变的参数

让我们以LeNet5架构为例。在第二张图中，我们缩放了C3特性样本及其16个过滤器和S2层，S2层充当这些过滤器的输入

该特定层的可训练参数计算如下：-

*（（过滤器宽度*过滤器高度*上一层过滤器数量+1）当前层过滤器数量）

或

（权重*输入贴图+偏差）*当前层中的过滤器数量

LeNet的C3层中也有以下几种情况：-

卷积层3（C3）

C3层与C1层类似，不同之处在于有多个输入贴图，每个（输出）特征贴图连接到不同的输入贴图。以下是16幅尺寸为10*10的要素图的排列：

前6个要素地图分别连接到3个连续的输入地图（重叠的2个地图） 第二个6个要素地图连接到4个连续的输入地图（重叠的3个地图） 接下来的3个要素地图连接到4个不连续的输入地图（重叠1个地图） 最后1个要素地图连接到所有6个输入地图 因此，

可训练参数=（权重*输入映射+偏差）*特征映射
第一组=（5*5*3+1）*6=456
第二组=（5*5*4+1）*6=606
第三组=（5*5*4+1）*3=303
第四组=（5*5*6+1）*1=151
所有组别=456+606+303+151=1516

我的问题:-

正如您在第一组计算中所看到的，我们采用了5X5X3 意味着我们正在做滤波器（H X W）X输入通道数

我的问题是为什么要考虑“输入通道的数量” 可训练参数

理想情况下，只有滤波器值在反向传播过程中发生变化。因此 只有过滤单元才应被视为可培训单元

为什么我们还将输入图像/信道考虑到这些滤波器中？ 可训练参数