卷积神经网络中参数个数的计算
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？
共有1个答案
正如您在StackOverflow问题的答案1中看到的，卷积网络参数数的计算公式是：channels_in*kernel_width*kernel_height*channels_outchannels_out。
但这个公式与你的数据不符。事实上，你展示的图纸与你给出的表格不一致。
如果我以图纸为基础，那么第一个CN有3个输入通道，一个5*5的滑动窗口和6个输出通道，所以参数的数量应该是456。
你给出数字208，这是1个输入通道和8个输出通道得到的数字（表上说8，而图上说6）。因此，如果我们考虑有一个输入通道而不是三个，那么从表数据中获得208似乎是正确的。
至于第二个CN，有6个入口通道，一个滑动窗口5*5和16个输出通道，需要2416个参数，看起来很接近表中给出的416个参数。
对于其余的网络，它总是输入维度数乘以输出维度数，再加上一个：5*5*16*120 1=48001，120*84 1=10081，84*10 1=841。
-
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')
-
我正在试图理解卷积神经网络中的维度是如何表现的。在下图中，输入为带1个通道的28乘28矩阵。然后是32个5乘5的过滤器（高度和宽度步幅为2）。所以我理解结果是14乘14乘32。但是在下一个卷积层中，我们有64个5×5的滤波器（同样是步幅2）。那么为什么结果是7乘7乘64而不是7乘7乘32*64呢？我们不是将64个滤波器中的每一个应用于32个通道中的每一个吗？
-
如何计算CNN网络中的参数总数 代码如下： 如何获取320、18496、73856、590336、2052，有人能解释一下吗？
-
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
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz