如何计算卷积神经网络中的参数总数？[重复]
如何计算CNN网络中的参数总数
代码如下：
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'))
如何获取320、18496、73856、590336、2052，有人能解释一下吗？
共有1个答案
您可以使用以下通用公式：
channels_inkernel_widthkernel_heightchannels_outnum_channels
第一个例子是：
<代码>1*3*3*32=320
第二点：
<代码>32*3*3*64 64=18496
通道数量的增加是偏差项。
-
我正在使用千层面为MNIST数据集创建CNN。我将密切关注这个示例：卷积神经网络和Python特征提取。 我目前拥有的CNN架构（不包括任何退出层）是： 这将输出以下图层信息： 并输出可学习参数的数量为217,706 我想知道这个数字是如何计算的？我已经阅读了许多资源，包括这个StackOverflow的问题，但没有一个明确概括了计算。 如果可能，每层可学习参数的计算是否可以泛化？ 例如，卷积层：
-
我是CNN研究的新手，我从看Andrew'NG的课程开始。有一个例子我不明白： 他是如何计算#参数值的？
-
我指的是在此链接https://richliao.github.io/supervised/classification/2016/11/26/textclassifier-convolutional上实现的“使用CNN的文本分类”。在“简化卷积”一节中，他们使用了以下Keras层： Conv1D(128、5，激活='RELU')
-
假设我有一幅尺寸为125*125的RGB图像，我使用了10个尺寸为5*5、步长为3的过滤器，那么这一层的特征图是什么？特征图的参数总数是多少？10*（（125-5）/3）1=（41*41*10）（过滤器数量）但RGB图像和灰度图像之间的区别是什么？因此，对于RGB图像，它应该是41*41*30（过滤器数量*输入图像通道数量）？对于参数总数：5*5*3*10=750？
-
我找不到正确的公式来计算CNN中一个卷积层中的MAC数量。我从Quora尝试了这个公式 式中：输入特征映射的HW大小；KL滤波器大小S跨距C通道输入M输出特征映射N输入特征映射数 我举了一个例子：1个输入图像5x5x1 1个过滤器3x3x1然后我做了一个天真的计算，我得到了81个MAC。但当我使用上述公式时，ai得到了9。 我想有些事情我不明白。 提前感谢
-
我在Keras有卷积神经网络。我需要知道每个图层中要素地图的尺寸。我的输入是28 x 28像素的图像。我知道有一种计算方法，但我不知道如何计算。下面是我使用Keras的代码片段。 最后，这就是我想画的。非常感谢。