如何计算CNN的权重数？

Question

考虑到用于将图像分为两类的卷积神经网络，我们如何计算权重数：

• 输入：100x100灰度图像
• 第1层：具有60个7x7卷积滤波器的卷积层（步长=1，有效填充）
• 第2层：卷积层，具有100个5x5卷积滤波器（步长=1，有效填充）
• 第3层：最大池层，将第2层向下采样4倍（例如，从500x500到250x250）
• 第4层：250个单元的致密层
• 第5层：200个单元的致密层
• 第6层：单输出单元

假设每个层都存在偏差。此外，池化层有一个权重（类似于AlexNet）

这个网络有多少权重？

import keras
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Conv2D, MaxPooling2D

model = Sequential()

# Layer 1
model.add(Conv2D(60, (7, 7), input_shape = (100, 100, 1), padding="same", activation="relu"))

# Layer 2
model.add(Conv2D(100, (5, 5), padding="same", activation="relu"))

# Layer 3
model.add(MaxPooling2D(pool_size=(2, 2)))

# Layer 4
model.add(Dense(250))

# Layer 5
model.add(Dense(200))

model.summary()

Answer 1

使用Sequential.summary-链接到留档。

示例用法：

from tensorflow.keras.models import *

model = Sequential([
    # Your architecture here
]);

model.summary()

架构的输出是：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 94, 94, 60)        3000      
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 90, 90, 100)       150100    
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 45, 45, 100)       0         
_________________________________________________________________
flatten (Flatten)            (None, 202500)            0         
_________________________________________________________________
dense (Dense)                (None, 250)               50625250  
_________________________________________________________________
dense_1 (Dense)              (None, 200)               50200     
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 201       
=================================================================
Total params: 50,828,751
Trainable params: 50,828,751
Non-trainable params: 0
_________________________________________________________________

这是50828751个参数。

对于具有

• num\u过滤器过滤器，

权重数为：（num\u filters*filter\u size*filter\u size*num\u channels）num\u filters

E、 你的神经网络的第一层

• 60个过滤器

其中的重量数为：（60*7*7*1）60，即3000。

对于具有

• num\u单位神经元，

权重个数为：（num_units*num_inputs）num_units

例如。神经网络中的第5层具有

• 200个神经元
• 之前的第4层有250个神经元

其中的砝码数为200*250，即50200。