深度学习中卷积神经网络(CNN)的参数，你真的都熟悉吗？

        随着AI的越来越火热，深度学习中神经网络也受大家的热捧，特殊是运用在图片识别等的CNN，然而大多数人初学者会囫囵吞枣的运用CNN，对于里面的隐含层参数多少、神经元个数多少有这真的熟悉吗？

    下面我们一起来了解其中的秘密吧！

    首先，我们要熟悉滤波器、卷积层构造等基本知识，特别是滤波器：核的大小和种类。

     比如ConV2D(filter,kernel_size,strides,padding,data_fromat,activation,dilation_rate,use_bias,kernel_initializer,bias_initializer,kernel_regularizer,bias_regularizer,activity_regularizer,kernel_constraints,bias_constraints)

        其中以下几个参数经常需要设置

        filter:滤波器输出的维度，要求为整数

        kernel_size：滤波器的大小 ，要求为整数或者列表等

        strides： 步长（滤波器窗口滑动的大小）

        padding：填充（如果滤波器窗口不够滑）

        .........

     其次，我们熟悉卷积层里面参数和滤波器种类和大小，下面我们进入参数个数详解

     1)隐含层的参数个数： 它与神经元个数无关，只与滤波器大小和种类有关

     比如图片大小为32*32，滤波器大小为5*5，种类为6个，特征图大小为 （32-5+1） * （32-5+1）=28*28,参数为（5*5+1）*6=156

    2）神经元个数：与输入大小、滤波器大小和滑步有关

    以上神经元个数：（32-5+1）*（32-5+1）*6