如何计算一个用于将图像分类为两类的卷积神经网络的权重数量？
- 输入：100×100的灰度图像。
- 第一层：包含60个7×7卷积滤波器的卷积层（步长=1，有效填充）。
- 第二层：包含100个5×5卷积滤波器的卷积层（步长=1，有效填充）。
- 第三层：一个最大池化层，将第二层的尺寸缩小4倍（例如，从500×500缩小到250×250）。
- 第四层：包含250个单元的全连接层。
- 第五层：包含200个单元的全连接层。
- 第六层：单个输出单元。
假设每一层都存在偏置。此外，池化层也有一个权重（类似于AlexNet）。
这个网络有多少权重？
一些Keras代码
import kerasfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.layers import Conv2D, MaxPooling2Dmodel = Sequential()# 第一层model.add(Conv2D(60, (7, 7), input_shape = (100, 100, 1), padding="same", activation="relu"))# 第二层model.add(Conv2D(100, (5, 5), padding="same", activation="relu"))# 第三层model.add(MaxPooling2D(pool_size=(2, 2)))# 第四层model.add(Dense(250))# 第五层model.add(Dense(200))model.summary()回答：
TL;DR – 适用于TensorFlow + Keras
使用Sequential.summary – 链接到文档。
使用示例：
from tensorflow.keras.models import *model = Sequential([ # 你的架构在这里]);model.summary()你的架构的输出是：
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: 50,828,751Trainable params: 50,828,751Non-trainable params: 0_________________________________________________________________共有50,828,751个参数。
解释
2D卷积层中的权重数量
对于一个2D卷积层，具有
num_filters个滤波器，- 滤波器大小为
filter_size * filter_size * num_channels， - 每个滤波器有一个偏置参数
权重数量为：(num_filters * filter_size * filter_size * num_channels) + num_filters
例如：你的神经网络中的第一层具有
- 60个滤波器
- 滤波器大小为7 * 7 * 1。（注意，通道数量（1）来自输入图像。）
其中的权重数量为：(60 * 7 * 7 * 1) + 60，即3000。
全连接层中的权重数量
对于一个全连接层，具有
num_units个神经元，- 前一层的
num_inputs个神经元， - 每个神经元有一个偏置参数
权重数量为：(num_units * num_inputs) + num_units
例如 你的神经网络中的第五层具有
- 200个神经元
- 前一层（第四层）有250个神经元。
其中的权重数量为200 * 250 + 200，即50200。
