深度学习卷积神经网络参数计算难点重点
目录
一、卷积层图像输出尺寸
二、池化层图像输出尺寸
三、全连接层输出尺寸
四、卷积层参数数量
五、全连接层参数数量
六、代码实现与验证
以LeNet5经典模型为例子并且通道数为1
LeNet5网络有7层：
1.第1层：卷积层
输入：原始的图片像素矩阵（长度、宽度、通道数），大小为32×32×1；
参数：滤波器尺寸为5×5，深度为6，不使用全0填充，步长为1；
输出：特征图，大小为28×28×6。
分析：因为没有使用全0填充，所以输出尺寸 = 32 - 5 + 1 = 28，深度与滤波器深度一致，为6。
2.第2层：池化层
输入：特征图，大小为28×28×6；
参数：滤波器尺寸为2×2，步长为2；
输出：特征图，大小为14×14×6。
3.第3层：卷积层
输入：特征图，大小为14×14×6；
参数：滤波器尺寸为5×5，深度为16，不使用全0填充，步长为1；
输出：特征图，大小为10×10×16。
分析：因为没有使用全0填充，所以输出尺寸 = 14 - 5 + 1 = 10，深度与滤波器深度一致，为16。
4.第4层：池化层
输入：特征图，大小为10×10×16；
参数：滤波器尺寸为2×2，步长为2；
输出：特征图，大小为5×5×16。
5.第5层：全连接层
输入节点个数：5×5×16 = 400；
参数个数：5×5×16×120+120 = 48120；
输出节点个数：120。
6.第6层：全连接层
输入节点个数：120；
参数个数：120×84+84 = 10164；
输出节点个数：84。
7.第7层：全连接层
输入节点个数：84；
参数个数：84×10+10 = 850；
输出节点个数：10。
由于使用的是MNIST数据集，图片大小是28×28×1的，1代表通道数，也就是灰度图像，所以后面代码实现是用28×28的并进行讲解。
上面没看懂没关系，公式来了。
一、卷积层图像输出尺寸
定义如下：
O = 输出图像的尺寸。
I = 输入图像的尺寸。
K = 卷积层的核尺寸
N = 核数量
S = 移动步长
P = 填充数
公式：
(数字0和字母O很像，请忽略掉这个小小问题)
示例：MNIST手写数字图片大小是28×28×1的，LeNet5第一层卷积核个数为5，故输出图像尺寸为：
故输出的图像大小为：24×24×6. （一个卷积核对应一个通道）
二、池化层图像输出尺寸
定义如下：
O=输出图像的尺寸。
I=输入图像的尺寸。
S=移动步长
PS=池化层尺寸
公式：
示例：第一层的输出为24×24×6，故输出图像尺寸为：
故输出的图像大小为：12×12×6. （池化层不改变通道个数）
三、全连接层输出尺寸
全连接层输出向量长度等于神经元的数量。
四、卷积层参数数量
在CNN中,每层有两种类型的参数:权重weights 和偏置项biases.总参数数量为所有weights和biases的总和.
定义如下:
WC = 卷积层的weights数量
BC = 卷积层的biases数量
PC = 所有参数的数量
K = 核尺寸
N = 核数量
C = 输入图像通道数
卷积层中,核的深度等于输入图像的通道数.于是每个核有K*K个参数.并且有N个核.由此得出以下的公式：
示例：LeNet5第一层卷积层，卷积核大小为5*5，并且有6个，输入图像大小为28×28×1，即K = 5, C = 1, N = 6，故有：
所以第一层的总参数量为：156。
池化层不计算参数。
五、全连接层参数数量
在CNN中有两种类型的全连接层。第1种是连接到最后1个卷积层,另外1种的FC层是连接到其他的FC层。两种情况分开讨论。
①连接到最后一个卷积层：
定义如下:
Wcf= weights的数量
Bcf= biases的数量
O= 前卷积层的输出图像的尺寸
N = 前卷积层的核数量
F = 全连接层的神经元数量
公式：
示例：以MNIST的28×28×1的输入图片为例，在LeNet5的第一个全连接层中，前面一层的输出图像大小为：4×4×16，该全连接层有120个神经元，即 O = 4, N = 16 , F = 120，故有：
所以该层总共有30840个参数。
②连接到上一个全连接层：
定义如下:
Wff= weights的数量
Bff= biases的数量
Pff= 总参数的数量
F= 当前FC层的神经元数量
F-1 = 前FC层的神经元数量
公式：
示例：LeNet5中全连接层的第2层，前一个全连接层的神经元个数为F-1 = 120, 当前层的神经元个数为F = 84，则有：
六、代码实现与验证
基于TensorFlow的代码实现如下：
# LeNet5网络模型
model = tf.keras.Sequential([
# 第1层-卷积层 滤波器尺寸5*5,6个
keras.layers.Conv2D(6,5),
# 第2层-池化层,滤波器尺寸为2×2，步长为2
keras.layers.MaxPooling2D(pool_size=2,strides=2),
keras.layers.ReLU(),
# 第3层-卷积层 滤波器尺寸5*5,16个
keras.layers.Conv2D(16,5),
# 第4层-池化层,滤波器尺寸为2×2，步长为2
keras.layers.MaxPooling2D(pool_size=2,strides=2),
keras.layers.ReLU(),
keras.layers.Flatten(), # 拉平之后方便做全连接
# 第5层-全连接层
keras.layers.Dense(120,activation='relu'),
# 第6层-全连接层
keras.layers.Dense(84,activation='relu'),
# 第7层-全连接层
keras.layers.Dense(10,activation='softmax') # 最后输出10类,0-9的数字
])运行代码输出：
文献参考：
- https://www.cnblogs.com/touch-skyer/p/9150039.html