卷积神经网络中参数量的计算原理及方法

python 复制代码
手动计算参数量:
1. 卷积层参数计算方法:
参数量计算公式 = 卷积核宽度 * 卷积核高度 * 输入层通道数 * 输出层通道数 + bias(输出层通道数)
注意:池化层没有参数(只是在已知数据区域里求个最大值)

输入层通道数就是上层的卷积核数量
输出层通道数等于卷积核个数:输入层通道数经过32个卷积核后变成32个通道

2. 全连接层参计算方法:
根据x*w+b和矩阵乘法推断w的形状
参数量 = w的参数量 + b的参数量

举例:
(bs,1152) * (1152,512)
w的参数量 = 上一层的1152 * 这层的神经元个数512
b的参数量就是神经元的个数512
总参数量 = 1152*512+512=1153*512
python 复制代码
# 卷积层
print(3*3 * 1 * 32 + 32)
print(3*3 * 32 * 32 + 32)
print(3*3 * 32 * 64 + 64)
print(3*3 * 64 * 64 + 64)
print(3*3 * 64 * 128 + 128)
print(3*3 * 128 * 128 + 128)

# 卷积核展平
print(3*3*128)

# 全连接层 (神经网络)
print(1152*512 + 512)
print(512*256 + 256)
print(256*10 + 10)
相关推荐
黄啊码5 小时前
【黄啊码】最近面了十几个想转 FDE 的程序员,一个都没招
人工智能
锋行天下5 小时前
langgraph 全栈项目(二)
前端·人工智能·后端
大模型真好玩5 小时前
用 Seedance 2.5 Flash 实现1分钟AI短剧,满足孩子的超级英雄对战梦
人工智能·aigc·deepseek
FengY_HYY6 小时前
从人类组织到人类&大模型组织,我的位置在哪里?
人工智能·程序员·llm
2601_967980116 小时前
Flask Web 应用
python·flask·web开发·环境变量·虚拟环境
Flynn Liang6 小时前
大模型成本优化:基于 Redis 的可验证语义缓存架构
人工智能·redis·缓存·架构·ai agent·智能体
锋行天下6 小时前
langgraph全栈项目(一)
前端·人工智能·后端
aifannihao6 小时前
ß 大写变 SS:用 Python 算清 Ruby2Shell 的缓冲区账本
python·安全·标准库·缓冲区溢出·字符串编码
程序员cxuan6 小时前
不得了,Google 造反了,Opus 5.5 又被干了
人工智能·后端·程序员
liwulin05066 小时前
【OLLAMA】调用SKILL的通用ReAct
python