> For the complete documentation index, see [llms.txt](https://windmising.gitbook.io/nielsen-nndl/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://windmising.gitbook.io/nielsen-nndl/di-6-zhang-shen-du-xue-xi/1/3.md).

# SharedWeights

## shared weights

一个local receptive field对应的一个下一层神经元的output计算公式为：

$$
\begin{eqnarray}
a\_{jk} = \sigma\left(b + \sum\_{l=0}^4 \sum\_{m=0}^4  w\_{l,m} a\_{j+l, k+m} \right).
\tag{125}\end{eqnarray}
$$

从公式可以看出，计算所使用的w与jk（哪一个local receptive field）无关，只与lm（在local receptive field中的相对位置）有关。\
这是因为所有的神经元的计算共用一组w和一个b。这就是**shared weights and biases**。

## 意义

由一个输入层到一个卷积层的映射叫作**feature map**.\
一个feature map共享一组w和一个b。参数w和b称为**kernel**或**filter**。\
一个feature map用于在输入层所有位置寻找同样的特征。\
一个输入层可以建立多个（可能是很多个）feature map。

## 优点

共享变量极大地减少了参数的数量。\
以5\*5的local receptive field为例，只需要26个变量。

## “卷积”名字的由来

公式125称为卷积公式。它还可以写成这样：

$$
a^1 = \sigma(b + w \* a^0)
$$

其中`*`称为卷积操作。