AlexNet系列I:模型参数计算

最新推荐文章于 2022-08-12 19:09:28 发布
最新推荐文章于 2022-08-12 19:09:28 发布
阅读量3.6k 收藏 19
点赞数 4
分类专栏： 深度学习 文章标签： AlexNet 参数计算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bmwlwg/article/details/101231592
版权

Part I: 计算结果总表

AlexNet基本结构图：

AlexNet模型参数计算总表：

Layer Name Filter Padding Kernel Stride Img size Tensor Size Weights Biases Parameters
Input Image - - - - - 227x227x3 0 0 0
Conv-1 96 0 11 x 11 4 (227-11+2*0)/4+1 = 55 55x55x96 3*(11*11)*96 = 34848
最低0.47元/天 解锁文章
Elffer
关注
  • 4
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
AlexNet 参数计算
superyang198608的专栏
09-28 8747
FeatureMap大小计算公式： No Padding： 长=（Input长-过滤器长+1）/步长，上取整 宽=（Input宽-过滤器宽+1）/步长，上取整 Padding： 长=Input长/步长，上取整 宽=Input宽/步长，上取整 Input：224x224x3=150528 CNN1: 96个11113的卷积核，步长为4， 节点数量为：5555482=290400 参数数量：11113...
LeNet-ResNet-AlexNet网络详解
weixin_41744192的博客
04-14 1827
LeNet-AlexNet-VGG-ResNet-DenseNetLeNet LeNet 不计输入层，LeNet-5共有7层，每一层的结构为： 输入层：输入图像的尺寸统一归一化为32*32。 C1层-卷积层 输入图片：3232 卷积核大小：55 卷积核种类：6 输出feature map大小：2828 （32-5+1）=28 神经元数量：28286 可训练参数：（55+1) * 6（每个滤波器55=25个unit参数和一个bias参数，一共6个滤波器） 连接数：（55+1）62828=12230
典型卷积神经网络算法（AlexNet、VGG、GoogLeNet、ResNet）
liuyingshudian的博客
08-12 4262
典型卷积神经网络
卷积神经网络经典网络（LeNet、AlexNet、VGG、ResNet）
不忘初心~
05-10 5811
本文主要介绍几个经典的卷积神经网络，从网络的结构，到实现原理，并比较各个网络之间的优缺点。其中包括LeNet、AlexNet、VGG、Resnet。
AlexNet结构参数详解
fencecat的博客
04-08 1万+
2012年ImageNet 分类大赛冠军得主ALexNet结构大解析
AlexNet VGGNet ResNet 对比 简介
热门推荐
Jason
05-17 1万+
AlexNet 网络结构 输入层: 224 * 224, 3通道 第一层卷积: 96个11 * 11的卷积核, stride 是 4 可以利用计算公式 输出大小 = (输入大小 - 卷积核大小 + padding) / stride + 1 来计算 参数数目: 3 * 11 * 11 * 96 第二层卷积: 256个5*5的卷积核 第二层Max pooling … 第一层全连接: 409...
vgg_generated_48.i
08-06
`vgg_generated_48.i`中的“48”可能指的是模型的一个特定变体，或者是模型参数量的某种表示，这通常与模型的复杂性和精度有关。该文件包含了模型的权重和配置信息，用于在C语言环境中编译和运行VGG模型。 在实际...
基于改进AlexNet的鱼类识别算法.docx
07-14
本文提出了一种基于改进AlexNet的鱼类识别算法，该算法使用基于项的柔性注意力算法对优化后的AlexNet模型进行改进，并采用迁移学习的方式，将经过大型数据库ImageNet预训练后的AlexNet模型迁移到鱼类识别模型上，以...
深度学习matlab例程/Alexnet生成DeepDream图片/matlab代码
02-15
MATLAB作为一款强大的数学计算软件，提供了丰富的工具箱来支持深度学习模型的构建、训练和应用。本示例聚焦于利用MATLAB实现Alexnet网络生成DeepDream图片的过程。 Alexnet是由Alex Krizhevsky等人在2012年的...
《动手学深度学习》Task05：卷积神经网络基础+LeNet+卷积神经网络进阶
01-20
步幅决定了卷积核移动的间距，较小的步幅可以获取更多的局部信息，而较大的步幅则可以减少计算量和模型复杂性。 在多输入通道和多输出通道的场景下，卷积层可以处理具有多个颜色通道的图像，如RGB图像。每个通道的...
Lenet, AlexNet,VGG16, VGG19笔记 （一）
weixin_43207103的博客
03-17 1438
Lenet, AlexNet,VGG16, VGG19笔记 （一）# Lenet LeNet简介 LeNet是一个用来识别手写数字的最经典的卷积神经网络，是Yann LeCun在1998年设计并提出的，是早期卷积神经网络中最有代表性的实验系统之一。 上图是LeNet网络模型框架，总共有8层，C层代表卷积层，S层代表下采样层。 模型理解： 第一层：输入层图像大小是3232（Caffe中Mnist数...
基本卷积神经网络（CNN） —— AlexNet，VGG-Net，Inception系列，ResNet，DenseNet等
aift的专栏
06-05 4997
文章目录概要介绍基本卷积神经网络（CNN）AlexNetZF-NetVGG-NetInception系列Inception-V1：GoogLeNetInception-V2：An Improved Version of Inception-V1Inception-V3：Factorizing NxN into 1xN and Nx1Inception-V4：Inception with skip...
深度学习之alexNet算法参数量
my_share的专栏
06-07 6474
AlexNet中的参数数量 AlexNet的网络结构图： 总的来说，AlexNet由输入层，5个卷积层，3个全连接层组成(其中最后一个全连接层也是softmax输出层）。图中详细标出了输入大小以及各层的结构参数。特别需要注意的是：网络是分布在2个GPU上的，部分层只跟同一个GPU中的上一层连接（看起来，stackoverflow那个帖子中题主没有考虑这个问题）。 接下来梳理一下各层的参数情况： 输入层：图片大小：宽高通道(RGB)依...
AlexNet网络结构参数计算
weixin_44180506的博客
05-01 1669
文章目录前言一、CNN网络性能参数计算方法二、简化AlexNet网络参数计算二、真实的AlexNet网络参数计算总结 前言 CS231n中详细介绍了AlexNet网络结构，又参考了EECS 498-007 / 598-005，有两个问题不解： CS231n和EECS 498-007 / 598-005介绍的AlexNet网络结构为何不同？ 按照EECS 498-007 / 598-005介绍的网络参数计算方法，为何算出的参数量和网上的博客不同？ 到现在第一个问题还未解决。第二个有了我自己的理解。 一
深度学习（4）——以AlexNet为例计算神经网络的参数量parameters和浮点运算次数FLOPs
weixin_41761357的博客
12-11 4779
上一片博客(指路)末尾有提到计算公式，这里就不再赘述了放个截图。 本文将以AlexNet为例，计算AlexNet参数量量和浮点运算次数。 计算参数量 1.首先回顾参数量的计算公式： 如果输入是C channel ×H×W；卷积核是C inchannel × M outchannel ×K ×K； parameters = [（K ×K）×C inchannel ]×M outchannel+M 2.分析AlexNet网络结构 共进行五次卷积操作,各层之间的kernel大小和输出feature尺寸下图
深度学习之alexnet的计算量
my_share的专栏
06-11 5179
前言 深度学习的计算量 上表列举了，ImageNet图像识别中常见算法的模型大小以及单张图片一次训练（One Pass）所需要的计算量。 自2012年，Hinton的学生Alex Krizhevsky提出AlexNet，一举摘下ILSVRC 2012的桂冠后，ILSVRC比赛冠军的准确率越来越高。与此同时，其中使用到的深度学习算法也越来越复杂，所需要的计算量也越来越大。SENet与AlexNet相比，计算量多了近30倍。我们知道，ImageNet大概有120万张图片，以SENet为例，如果要完成100
VGG16系列III: 网络模型结构
bmwlwg的博客
09-23 6398
目录 Part I: CNN的基础构件 一张图片如何作为输入？ 什么是卷积 什么是Padding 什么是池化(pooling) 什么是Flatten 什么是全连接层 什么是Dropout 什么是激活函数 VGG16的整体架构图 Part II: VGG 网络架构 典型VGG网络结构 VGG 网络参数数量计算: Part III: 如何训练VGG 前馈 后馈 训练技...
Alexnet的pytorch实现
最新发布
09-16
以下是AlexNet的PyTorch实现代码： ```python import torch.nn as nn class AlexNet(nn.Module): def __init__(self, num_classes=1000): super(AlexNet, self).__init__() self.features = nn.Sequential( nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(64, 192, kernel_size=5, padding=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(192, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(256, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), ) self.avgpool = nn.AdaptiveAvgPool2d((6, 6)) self.classifier = nn.Sequential( nn.Dropout(), nn.Linear(256 * 6 * 6, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Linear(4096, num_classes), ) def forward(self, x): x = self.features(x) x = self.avgpool(x) x = x.view(x.size(0), 256 * 6 * 6) x = self.classifier(x) return x ``` 这里使用了`nn.Sequential`来组合卷积层和池化层，并使用`nn.AdaptiveAvgPool2d`来替代全局平均池化层。同时，使用了`nn.Dropout`来进行正则化，防止模型过拟合。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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