为什么我的keras模型有这么多参数？

Question

model = ke.Sequential()

model.add(Convolution2D(32,kernel_size=(2,2),activation='relu',input_shape=(360,720,1)))
model.add(Convolution2D(32, 2, 2, activation='relu'))
model.add(MaxPooling2D(pool_size = (3,3)))
model.add(Dropout(.3))


model.add(Flatten())
model.add(Dense(2, activation='softmax'))

以上是目前我的CNN的架构。然而，它说它有1.8m可训练的参数。为什么会这样？我以为第一层给出了（32*4=128个参数），但是我如何找到模型的其余部分有多少个参数？

我的理解是，CNN架构应该只依赖于过滤和最大池，因为它们是共享权重。为什么我有这么多参数？我应该如何着手减少这个数字？

我不是问如何使用“汇总”找到参数的数量。我是问为什么我的模型有这么多参数，以及我如何减少这个数字。我不直观地理解为什么这个模型应该有180万可训练的参数。

Answer 1

大幅降低这些参数的一个好方法是在该平坦层之上的所有卷积层中添加：子样本=（2，2）（小心它会降低图像/数据的分辨率），如果子样本不起作用，那么它就是跨距=（2，2）。

Answer 2

使用摘要确认以下内容（相信我，会有答案的：D）：

• 第二次转换后，您将得到一个类似于（无，358718,32）的形状

这就是这么多参数的原因！

对于每个输入，密集层将有2个权重，加上2个偏差，仅对于密集层，总计1843202个参数。

您需要更多的Convs Poolings来逐渐减少大小，然后将大量的数量投入到密集层中。