偏差针对每个虚拟神经元进行操作，因此在只有一个输出的情况下拥有多个偏差输入没有任何价值——这相当于只是将不同的偏差权重加到一个偏差中。

在作为第一个隐藏层输出的特征图中，颜色不再分开*。实际上，每个特征图都是下一层中的“通道”，尽管它们通常单独可视化，其中输入与通道组合可视化。另一种思考方式是原始图像中单独的 RGB 通道是输入中的 3 个“特征图”。

不管前一层有多少通道或特征，下一层中每个特征映射的输出都是该映射中的单个值。一个输出值对应一个虚拟神经元，需要一个偏置权重。

正如您在问题中解释的那样，在 CNN 中，输出特征图中的每个点都共享相同的权重（包括偏差权重）。所以每个特征图都有自己的偏置权重和previous_layer_num_features x kernel_width x kernel_height连接权重。

所以是的，您的示例导致(3 x (5x5) + 1) x 32第一层的总权重对于具有第一个隐藏层将 RGB 输入处理为 32 个单独的特征图的 CNN 是正确的。

^*您可能会因为看到 CNN权重的可视化而感到困惑，这些权重可以分为它们所操作的颜色通道。

CNN 的特性是它们使用共享的权重和偏差（层中所有隐藏神经元的权重和偏差相同）来检测相同的特征。与简单的神经网络相比，这导致了更深入的学习。您可以将其作为参考阅读：

http://deeplearning.net/tutorial/lenet.html
http://neuralnetworksanddeeplearning.com/chap6.html#introducing_convolutional_networks

这是一个简单的例子：

如果您的输入是I X I X C例如带有I X I = 10 x 10像素、灰度的图片，那么您只有1 Channel = Cinput = 的结果10 X 10 x 1。并且您的过滤器是F X F并且您应用K过滤器，例如 3 X 3 X 10 Filters 然后您的输出是(F X F X C +1) X K+1 表示每个过滤器有 1 个偏差。 (3 X 3 X 1 + 1) X 10 = 100训练的参数。如果你有 RGB，那么你就有(3 X 3 X 3 + 1) X 10 = 280了要训练的参数。对于每个频道，您都有另一个过滤器。每个过滤器都有一个偏差。

阅读后在这里再次检查：

Input I x I x C
Filter F x F (x K) // K times applied
Parameters (F x F x C + 1) x K // where +1 bias per filter, and K is the number of filters

现在在这里查看斯坦福大学的这张很棒的备忘单

因为在 CNN 中，我们使用一个过滤器来表示一个特征。我们引入一个变量（b）来合并来自该特定过滤器的偏差。因此，每个过滤器都会考虑它可能导致的偏差。偏差不是由于单个过滤器权重，而是由于整个过滤器本身。我希望这能回答你的问题。