本文介绍了如何计算卷积神经网络中参数的总数?的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!
问题描述
如何计算CNN网络中的参数总数
how to calculate the total number of params in a CNN network
下面是代码:
input_shape = (32, 32, 1)
flat_input_size = input_shape[0]*input_shape[1]*input_shape[2]
num_classes = 4
cnn_model = Sequential()
cnn_model.add(Conv2D(32, (3, 3), padding='same',
input_shape=input_shape))
cnn_model.add(Activation('relu'))
cnn_model.add(MaxPooling2D(pool_size=(2, 2)))
cnn_model.add(Conv2D(64, (3, 3)))
cnn_model.add(Activation('relu'))
cnn_model.add(MaxPooling2D(pool_size=(2, 2)))
cnn_model.add(Dropout(0.25))
cnn_model.add(Conv2D(128, (3, 3), padding='same'))
cnn_model.add(Activation('relu'))
cnn_model.add(MaxPooling2D(pool_size=(2, 2)))
cnn_model.add(Dropout(0.25))
cnn_model.add(Flatten())
cnn_model.add(Dense(512))
cnn_model.add(Activation('relu'))
cnn_model.add(Dropout(0.5))
cnn_model.add(Dense(num_classes))
cnn_model.add(Activation('softmax'))
这是结果
如何获取320、18496、73856、590336、2052,有人可以解释吗?
How to get 320, 18496, 73856, 590336, 2052, could anyone explain it?
推荐答案
您可以使用以下通用公式:
You can use this general formula:
channels_in * kernel_width * kernel_height * channels_out + num_channels
第一个例子:
1 * 3 * 3 * 32 + 32 = 320
第二个:
32 * 3 * 3 * 64 + 64 = 18,496
通道数的增加是偏差项.
The addition of the number of channels is the bias terms.
这篇关于如何计算卷积神经网络中参数的总数?的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持!