خطوات الاستخدام
الخطوة 1: فهم المدخلات - inChannels و outChannels و kernelSize. inChannels هو عدد قنوات الإدخال (مثل 3 لصور RGB، أو 64 لطبقة من ResNet). outChannels هو عدد قنوات الإخراج (مرشحات الالتفاف). kernelSize هو حجم نواة الالتفاف (عادة 3×3 أو 1×1). هذه القيم تحدد عدد المعلمات في كل طبقة التفافية. كل معلمة تمثل وزناً قابلاً للتعلم يساعد الشبكة في استخراج الميزات.
الخطوة 2: حساب معلمات الطبقة الالتفافية الأولى. تحتوي الطبقة الأولى على مرشحات عددها outChannels، كل مرشح بحجم kernelSize × kernelSize × inChannels. لذا عدد الأوزان = kernelSize² × inChannels × outChannels. بالإضافة إلى انحياز (bias) لكل مرشح، وهو outChannels. وبالتالي معلمات الطبقة الأولى = (kernelSize² × inChannels × outChannels) + outChannels.
الخطوة 3: حساب معلمات الطبقة الالتفافية الثانية. الطبقة الثانية تأخذ outChannels كمدخل (لأن الطبقة الأولى تخرج outChannels) وتنتج outChannels أيضاً. لذا عدد الأوزان = kernelSize² × outChannels × outChannels، والانحيازات = outChannels. إجمالي الطبقة الثانية = (kernelSize² × outChannels²) + outChannels.