如何计算灰度图像中简单深度网络的参数个数[重复]

Question

如何计算灰度图像中CNN的权重数。

代码如下：

定义输入图像大小

input_shape = (32, 32, 1)
flat_input_size = input_shape[0]*input_shape[1]*input_shape[2]
num_classes = 4

简单深层网络

dnn_model = Sequential()
dnn_model.add(Dense(input_dim=flat_input_size, units=1000))
dnn_model.add(Activation("relu"))
dnn_model.add(Dense(units=512))
dnn_model.add(Activation("relu"))
dnn_model.add(Dense(units=256))
dnn_model.add(Activation("relu"))
dnn_model.add(Dense(units=num_classes))
dnn_model.add(Activation("softmax"))

数一数谁帮我计算参数的数量。如何获取1025000、512512、131328、1028，显示一些详细信息

Answer 1

对于具有偏置的致密层（偏置为1），计算如下：

(input_neurons + 1) * output_neurons

对于第一层，这是：

(32 * 32 + 1) * 1000 = 1025000

对于第二个：

(1000 + 1) * 512 = 512512

等等等等。

编辑答案以反映评论中的其他问题：

对于卷积层，如注释中所述，您尝试为每个输入通道学习一个过滤器内核，为每个输出通道学习一个附加偏差。因此，其中的参数数量有：

kernel_width * kernel_height * input_channels * output_channels + output_channels = num_parameters

例如，我们使用（3，3）内核从大小为（None，16，16，32）的特征映射到（None，14，14，64）的特征映射，我们得到以下计算：

3 * 3 * 32 * 64 + 64 = 18496

这实际上是CNN中重要的事情，参数的数量与图像大小无关。