我想知道在机器学习算法中，许多可训练参数会产生什么影响。

例如，具有许多层的CNN可以从图像中提取更多抽象数据。但更多的层意味着更多的可训练参数。构建非常深的模型有什么缺点吗？

更多的参数是否意味着加载模型需要更多的RAM？

更多的参数是否意味着模型计算开销更大，即需要更好的硬件来训练？

更多的参数是否意味着模型训练和分类的时间更长，或者在大多数情况下变化可以忽略不计？

我注意到更深的模型和更多的参数在保存模型时文件大小更大，还有其他成本吗？

我找到的关于这个话题的大多数来源都只提到要保持参数低，但从未详细说明为什么我们要这样做。

回答：

更多的参数是否意味着加载模型需要更多的RAM？

是的，这需要更多的RAM/VRAM，具体取决于你的训练模式。

更多的参数是否意味着模型计算开销更大，即需要更好的硬件来训练？

是的。

更多的参数是否意味着模型训练和分类的时间更长，或者在大多数情况下变化可以忽略不计？

是的，随着计算数量的增加，时间会更长。

我注意到更深的模型和更多的参数在保存模型时文件大小更大，还有其他成本吗？

除了你已经指出的之外？是的，优化可能会受到影响，训练方案也会受到影响。

我找到的关于这个话题的大多数来源都只提到要保持参数低，但从未详细说明为什么我们要这样做。

当可训练参数的数量增加时，计算量也会增加，这意味着硬件需求增加，包括RAM和处理能力。它还引入了优化方面的困难，比如过拟合，甚至是选择使用的优化算法的问题。

根据你的使用情况，模型的传输可能会成为一个问题，例如，考虑到物联网设备、无人机、自动驾驶车辆/机器人需要更新等，连接速度差/慢等情况。（有办法减少模型大小并提高其性能，但总的来说，参数越多意味着更多的空间/时间）