पूर्वाग्रह आभासी न्यूरॉन के अनुसार काम करता है, इसलिए कई पूर्वाग्रह इनपुट होने में कोई मूल्य नहीं है जहां एक ही आउटपुट है - जो कि अलग-अलग पूर्वाग्रह भार को एक ही पूर्वाग्रह में जोड़ने के बराबर होगा।
फीचर मैप्स में जो पहले छिपी हुई परत का आउटपुट हैं, रंग अब अलग नहीं रखे गए हैं *। प्रभावी रूप से प्रत्येक फीचर मैप अगली परत में एक "चैनल" है, हालांकि वे आमतौर पर अलग से देखे जाते हैं जहां इनपुट संयुक्त चैनलों के साथ कल्पना की जाती है। इस बारे में सोचने का एक और तरीका यह है कि मूल छवि में अलग-अलग आरजीबी चैनल इनपुट में 3 "फीचर मैप" हैं।
इससे कोई फ़र्क नहीं पड़ता कि पिछली परत में कितने चैनल या फ़ीचर हैं, अगली लेयर में प्रत्येक फ़ीचर मैप पर आउटपुट उस मैप में सिंगल वैल्यू है। एक आउटपुट मूल्य एक आभासी न्यूरॉन से मेल खाता है, जिसे एक पूर्वाग्रह वजन की आवश्यकता होती है।
सीएनएन में, जैसा कि आप सवाल में बताते हैं, आउटपुट फीचर मैप में प्रत्येक बिंदु पर समान भार (पूर्वाग्रह भार सहित) साझा किए जाते हैं। इसलिए प्रत्येक फ़ीचर मैप का अपना बायस वज़न और previous_layer_num_features x kernel_width x kernel_heightकनेक्शन वज़न होता है।
तो हाँ, (3 x (5x5) + 1) x 32पहली परत के लिए कुल वजन के परिणामस्वरूप आपका उदाहरण CNN के लिए पहले छिपी हुई परत प्रसंस्करण RGB इनपुट के साथ 32 अलग फीचर मैप में सही है।
* सीएनएन वेट के विज़ुअलाइज़ेशन को देखकर आप भ्रमित हो सकते हैं जिसे उन रंगीन चैनलों में अलग किया जा सकता है जिन पर वे काम करते हैं।