综合_详解keras的model.summary()输出参数output shape 与 Param，计算过程

（综合）详解keras的model.summary()输出参数output shape 与 Param，计算过程

公式总结：

• 基本神经网络 Param计算过程

公式：
***dense 层*** 
Param = （输入数据维度+1）* 神经元个数
之所以要加1，是考虑到每个神经元都有一个Bias。

• 卷积神经网络Param计算过程

公式
***Conv1D***
Param = (卷积核大小 x 词向量维度 + 1) x 卷积核个数 

***Conv2D***
Param = （卷积核长度*卷积核宽度*通道数+1）*卷积核个数
下一层的通道数 = 上一层的卷积核个数

***klayers.Embedding() ：词嵌入层*** 
 Param = 词表数*词向量维度

举例：

计算逻辑：

第一层：
output：[(None,32,32,3)] :第一个None 指batch，后面的（32，32，3）由输入shape决定；
param： 输入层 为 0 ；
第二层：因为是conv2D ，Param = （卷积核长度卷积核宽度通道数+1）卷积核个数
output：(None,30,30,32) : kernel_size=(3,3) ,30=32-3+1(移动次数，要将所有的信息都包含)。32=（卷积核个数）
param： 896 = （333+1）32
第三层：
output：(None,15,15,32)池化层,默认为上一层的一半 （15=30/2） ，最后的维度为卷积核个数不变 32
param： 池化层，只是降维，不需要参数
第四层：与第二层同理，另外：下一层的通道数 = 上一层的卷积核个数
output：(None,11,11,64)，kernel_size=(5,5)，11=15-5+1，32=（卷积核个数）
param：51264=（5532+1）*64
第五层：与第三层同理
output：(None,5,5,64)池化层,默认为上一层的一半 （5=11/2）（取下） ，最后的维度为卷积核个数不变 64
param： 池化层，只是降维，不需要参数

第六层：dropout层，？？？？
output：(None,5,5,64) 不变
param： 没有

第七层：flatten层
output：(None,1600) ： 多维转一维，多维自由组合 ，结果等于多维相乘。1600=5564
param： 没有

第八层：dense层，基本神经网络，Param = （输入数据维度+1）* 神经元个数

output：(None,32) ：32=（卷积核个数）
param： 51232=（1600+1）*32 （输入数据维度，由上一层决定）

第九层：与第八层同理

output：(None,1) ：1=（卷积核个数）
param： 33=（32+1）*1 （输入数据维度，由上一层决定）

参考–感谢，如果看不懂，可以参考以下 链接

https://blog.csdn.net/qq_40642546/article/details/106622996
https://blog.csdn.net/ybdesire/article/details/85217688

如有错误，或者更好的理解，欢迎指出