如何计算卷积神经网络每一层的参数数量和特征图大小?

如何计算卷积神经网络每一层的参数数量和特征图大小?

在学习卷积神经网络的过程中,对每一层的参数数量和特征图的计算,一直有些疑惑。主要是必须区分一下模型中每一层的参数和特征图大小是两个概念。

下面通过一个具体的例子来进行解释。

python 复制代码
import torch
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1)
        self.act1 = nn.Tanh()
        self.pool1 = nn.MaxPool2d(2)
        self.conv2 = nn.Conv2d(16, 8, kernel_size=3, padding=1)
        self.act2 = nn.Tanh()
        self.pool2 = nn.MaxPool2d(2)
        self.fc1 = nn.Linear(8 * 8 * 8, 32)
        self.act3 = nn.Tanh()
        self.fc2 = nn.Linear(32, 2)

    def forward(self, x):
        x = self.pool1(self.act1(self.conv1(x)))
        x = self.pool2(self.act2(self.conv2(x)))
        x = x.view(-1, 8 * 8 * 8)
        x = self.act3(self.fc1(x))
        x = self.fc2(x)
        return x

下面我们将详细分析代码中每一层的参数数量和特征图大小。假设输入图像的尺寸为 [3, 32, 32](即通道数为 3,高度和宽度均为 32)。

各层分析

1. 第一层卷积层 conv1
python 复制代码
self.conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1)
  • 参数数量计算
    对于卷积层 nn.Conv2d(in_channels, out_channels, kernel_size, padding),参数数量的计算公式为 (kernel_size * kernel_size * in_channels + 1) * out_channels。这里 in_channels = 3out_channels = 16kernel_size = 3
    所以参数数量为 (3 * 3 * 3 + 1) * 16 = (27 + 1) * 16 = 28 * 16 = 448
  • 特征图大小计算
2. 第一层激活函数层 act1
python 复制代码
self.act1 = nn.Tanh()
  • 参数数量:激活函数层没有可学习的参数,所以参数数量为 0。
  • 特征图大小 :激活函数不改变特征图的尺寸,因此特征图大小仍为 [16, 32, 32]
3. 第一层池化层 pool1
python 复制代码
self.pool1 = nn.MaxPool2d(2)
  • 参数数量:池化层没有可学习的参数,参数数量为 0。
  • 特征图大小计算
4. 第二层卷积层 conv2
python 复制代码
self.conv2 = nn.Conv2d(16, 8, kernel_size=3, padding=1)
  • 参数数量计算
    依据卷积层参数计算公式,这里 in_channels = 16out_channels = 8kernel_size = 3
    所以参数数量为 (3 * 3 * 16 + 1) * 8 = (144 + 1) * 8 = 145 * 8 = 1160
  • 特征图大小计算
5. 第二层激活函数层 act2
python 复制代码
self.act2 = nn.Tanh()
  • 参数数量:0。
  • 特征图大小[8, 16, 16]
6. 第二层池化层 pool2
python 复制代码
self.pool2 = nn.MaxPool2d(2)
  • 参数数量:0。
  • 特征图大小计算
7. 第一层全连接层 fc1
python 复制代码
self.fc1 = nn.Linear(8 * 8 * 8, 32)
  • 参数数量计算
    对于全连接层 nn.Linear(in_features, out_features),参数数量的计算公式为 (in_features + 1) * out_features。这里 in_features = 8 * 8 * 8 = 512out_features = 32
    所以参数数量为 (512 + 1) * 32 = 513 * 32 = 16416
  • 特征图大小 :全连接层将输入展平为一维向量,这里输入是 8 * 8 * 8 个元素的一维向量,输出是 32 个元素的一维向量,可认为特征图大小变为 [32]
8. 第三层激活函数层 act3
python 复制代码
self.act3 = nn.Tanh()
  • 参数数量:0。
  • 特征图大小[32]
9. 第二层全连接层 fc2
python 复制代码
self.fc2 = nn.Linear(32, 2)
  • 参数数量计算
    依据全连接层参数计算公式,in_features = 32out_features = 2
    所以参数数量为 (32 + 1) * 2 = 33 * 2 = 66
  • 特征图大小 :输出是 2 个元素的一维向量,特征图大小为 [2]

总结

层名 参数数量 特征图大小(输入/输出)
conv1 448 [3, 32, 32] -> [16, 32, 32]
act1 0 [16, 32, 32] -> [16, 32, 32]
pool1 0 [16, 32, 32] -> [16, 16, 16]
conv2 1160 [16, 16, 16] -> [8, 16, 16]
act2 0 [8, 16, 16] -> [8, 16, 16]
pool2 0 [8, 16, 16] -> [8, 8, 8]
fc1 16416 [8 * 8 * 8] -> [32]
act3 0 [32] -> [32]
fc2 66 [32] -> [2]
相关推荐
AI新兵1 小时前
AI大事记10:从对抗到创造——生成对抗网络 (GANs)
人工智能·神经网络·生成对抗网络
却道天凉_好个秋1 小时前
深度学习(十五):Dropout
人工智能·深度学习·dropout
你好~每一天2 小时前
2025 中小企业 AI 转型:核心岗技能 “怎么证、怎么用”?
人工智能·百度·数据挖掘·数据分析·职业·转行
飞哥数智坊3 小时前
3B参数差点干翻32B模型,Qwen3 Next 是如何做到的?
人工智能
人工智能技术派3 小时前
Whisper推理源码解读
人工智能·语言模型·whisper·语音识别
编码追梦人3 小时前
AI 重塑行业格局:从金融风控到智能制造的深度实践
人工智能·制造
Lululaurel3 小时前
提示工程深度解析:驾驭大语言模型的艺术与科学
人工智能·ai·aigc·提示词
simon_skywalker4 小时前
第7章 n步时序差分 n步时序差分预测
人工智能·算法·强化学习
唐兴通个人4 小时前
清华大学AI领导力AI时代领导力AI变革领导力培训师培训讲师专家唐兴通讲授数字化转型人工智能组织创新实践领导力国央企国有企业金融运营商制造业
人工智能·数据挖掘
云卓SKYDROID4 小时前
无人机定点派送技术要点与运行方式
人工智能·无人机·航电系统·高科技·云卓科技