如何计算灰度图像中CNN的权重数。
这是代码:
定义输入图像尺寸
input_shape = (32, 32, 1)
flat_input_size = input_shape[0]*input_shape[1]*input_shape[2]
num_classes = 4
简单的深度网络
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"))
计数有人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
最佳答案
对于带有偏置的密集层(偏置为+1),计算如下:
(input_neurons + 1) * output_neurons
对于您的第一层来说,这是:
(32 * 32 + 1) * 1000 = 1025000
第二个:
(1000 + 1) * 512 = 512512
等等等等。
编辑答案以反射(reflect)评论中的其他问题:
对于卷积层,正如评论中所要求的,您尝试为每个输出 channel 的每个输入 channel 学习一个过滤器内核,并带有额外的偏差。因此其中的参数数量为:
kernel_width * kernel_height * input_channels * output_channels + output_channels = num_parameters
对于您的示例,我们将大小为 (None, 16, 16, 32) 的特征图转换为 (None, 14, 14, 64) 并使用 (3, 3) 内核,我们得到以下计算结果:
3 * 3 * 32 * 64 + 64 = 18496
这实际上是 CNN 中最重要的一点,参数的数量与图像大小无关。
关于machine-learning - 如何计算灰度图像中简单深度网络的参数数量,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50157403/