VGG13的trainable参数量

VGG13的参数量

conv1: 3 × 3 × 3 × 64 + 64 = 1 , 792 3\times3\times3\times64+64 = 1,792 3×3×3×64+64=1,792
conv2: 3 × 3 × 64 × 64 + 64 = 36 , 928 3\times3\times64\times64+64 = 36,928 3×3×64×64+64=36,928
conv3: 3 × 3 × 64 × 128 + 128 = 73 , 856 3\times3\times64\times128+128 = 73,856 3×3×64×128+128=73,856
conv4: 3 × 3 × 128 × 128 + 128 = 147 , 584 3\times3\times128\times128+128 = 147,584 3×3×128×128+128=147,584
conv5: 3 × 3 × 128 × 256 + 256 = 295 , 168 3\times3\times128\times256+256 = 295,168 3×3×128×256+256=295,168
conv6: 3 × 3 × 256 × 256 + 256 = 590 , 080 3\times3\times256\times256+256 = 590,080 3×3×256×256+256=590,080
conv7: 3 × 3 × 256 × 512 + 512 = 1 , 180 , 160 3\times3\times256\times512+512 = 1,180,160 3×3×256×512+512=1,180,160
conv8: 3 × 3 × 512 × 512 + 512 = 2 , 359 , 808 3\times3\times512\times512+512 = 2,359,808 3×3×512×512+512=2,359,808
conv9: 3 × 3 × 512 × 512 + 512 = 2 , 359 , 808 3\times3\times512\times512+512 = 2,359,808 3×3×512×512+512=2,359,808
conv10: 3 × 3 × 512 × 512 + 512 = 2 , 359 , 808 3\times3\times512\times512+512 = 2,359,808 3×3×512×512+512=2,359,808

卷积层共有trainable参数的个数为:9,404,992

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
VGG16是一种经典的卷积神经网络模型,它由16个卷积层和3个全连接层组成。下面是VGG16数量的计算方法: 1. 卷积层数量计算: - 每个卷积层的数量由卷积核的大小、输入通道数和输出通道数决定。 - 假设卷积核大小为3x3,输入通道数为C_in,输出通道数为C_out,则每个卷积层的数量为:(3x3xC_in+1)x C_out,其中+1表示每个卷积核还有一个偏置项。 2. 全连接层数量计算: - 全连接层的数量由输入维度和输出维度决定。 - 假设输入维度为D_in,输出维度为D_out,则每个全连接层的数量为:(D_in+1) x D_out,其中+1表示每个神经元还有一个偏置项。 根据VGG16的结构,我们可以计算其数量: - VGG16的前13个卷积层都是使用3x3的卷积核,输入通道数和输出通道数如下: - 第1个卷积层:输入通道数为3,输出通道数为64 - 第2个卷积层:输入通道数为64,输出通道数为64 - 第3个卷积层:输入通道数为64,输出通道数为128 - 第4个卷积层:输入通道数为128,输出通道数为128 - 第5个卷积层:输入通道数为128,输出通道数为256 - 第6个卷积层:输入通道数为256,输出通道数为256 - 第7个卷积层:输入通道数为256,输出通道数为256 - 第8个卷积层:输入通道数为256,输出通道数为512 - 第9个卷积层:输入通道数为512,输出通道数为512 - 第10个卷积层:输入通道数为512,输出通道数为512 - 第11个卷积层:输入通道数为512,输出通道数为512 - 第12个卷积层:输入通道数为512,输出通道数为512 - 第13个卷积层:输入通道数为512,输出通道数为512 - VGG16的后面3个全连接层的输入维度和输出维度如下: - 第15个全连接层:输入维度为4096,输出维度为4096 - 第16个全连接层:输入维度为4096,输出维度为1000(对应于ImageNet数据集的类别数) 根据上述计算方法,可以得到VGG16的数量。请注意,这里的数量指的是模型中需要学习的数的数量,不包括输入数据和中间特征图的大小。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Sim_Ai

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值