CNN卷积神经网络各层的参数和神经元数量的计算方法注释

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
#tensorflow手写数字识别案例
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten
from tensorflow.keras.optimizers import Adam
 
# 1、载入数据
mnist = tf.keras.datasets.mnist
(train_data, train_target), (test_data, test_target) = mnist.load_data()
 
# 2、改变数据维度
train_data = train_data.reshape(-1, 28, 28, 1)
test_data = test_data.reshape(-1, 28, 28, 1)
# 注：在TensorFlow中，在做卷积的时候需要把数据变成4维的格式
# 这4个维度分别是：（batch_size）数据数量，图片高度，图片宽度，图片通道数
 
# 3、归一化（有助于提升训练速度）
train_data = train_data/255.0
test_data = test_data/255.0
 
# 4、独热编码
train_target = tf.keras.utils.to_categorical(train_target, num_classes=10)
test_target = tf.keras.utils.to_categorical(test_target, num_classes=10)    #10种结果
 
# 5、搭建CNN卷积神经网络
model = Sequential()
# 5-1、第一层：卷积层(初始输入数据是单通道，输出为32通道)
# 第一个卷积层(参数数量：5*5*1*32+32=800+32=832)（32个通道每个通道的5*5*1（输入为单通道）参数都不同，随着学习过程反向传播调整）
#神经元数量可以认为只与输出体积有关（28*28*32），由于每个输出通道上的（5*5*1）参数共享，所以参数与面积无关，只有（5*5*1*32）+32
model.add(Convolution2D(input_shape = (28,28,1), filters = 32, kernel_size = 5, strides = 1, padding = 'SAME', activation = 'relu'))
#         卷积层         输入数据                  滤波器数量      卷积核大小   步长    不够卷积核多余的填充数据0(same padding)  激活函数
# 5-2 第二层，第一个池化层 # pool_size（参数数量0，神经元数量可以认为是(28/2)*(28/2)*32）
#（池化改变了每个通道的面积，降低了神经元数量和计算量，没有改变参数数量，参数数量只与上下层的通道数和卷积核有关）
model.add(MaxPooling2D(pool_size = 2, strides = 2, padding = 'same',))
#         池化层(最大池化) 池化窗口大小   步长          填充方式
 
# 5-3、第三层：卷积层（上层输入数据为32通道，输出为64通道）
# 第二个卷积层(参数数量：5*5*32*64+64=51200+64=51264) 
model.add(Convolution2D(64, 5, strides=1, padding='same', activation='relu'))
# 64:滤波器个数      5:卷积窗口大小
# 5-4 第四层，第二个池化层（参数数量0，神经元数量可以认为是(14/2)*(14/2)*64）
model.add(MaxPooling2D(2, 2, 'same'))
 
# 5-5、扁平化 （相当于把(64,7,7,64)数据->(64,7*7*64=3136)），变为扁平的3136个神经元，参数数量0。
model.add(Flatten())
 
# 5-6、第六层：第一个全连接层1024个神经元（参数数量：3136*1024+1024）
model.add(Dense(1024, activation = 'relu'))

# 5-7、第七层：Dropout层（参数数量0，神经元数量1024）
model.add(Dropout(0.5))  
# 5-8、第八层：第二个全连接层（输出层）10个神经元（参数数量：1024*10+10）
model.add(Dense(10, activation='softmax'))
 
# 6、编译
model.compile(optimizer=Adam(lr=1e-4), loss='categorical_crossentropy', metrics=['accuracy'])
#            优化器(adam)               损失函数(交叉熵损失函数)            评价方法
 
# 7、训练（batch_size=64,迭代次数=样本总数/64=938）
model.fit(train_data, train_target, batch_size=64, epochs=1, validation_data=(test_data, test_target))
 
# 8、保存模型
model.save('digits1epoch.h5')
model.summary()