机器学习入门（四）：关于卷积运算量和参数数量的计算

最新推荐文章于 2024-09-19 14:18:53 发布

crazyeden

最新推荐文章于 2024-09-19 14:18:53 发布

阅读量1.1w

点赞数 1

分类专栏： Caffe

本文链接：https://blog.csdn.net/crazyeden/article/details/79156020

版权

本文介绍了卷积层的运算量计算公式：num(MAC)=I*J*M*N*K*L，其中I*J是卷积核大小，M*N是输出特征尺寸，K是输入通道数，L是输出通道数。以LeNet为例，说明了MAC的计算过程。同时，参数数量计算为para=I*J*K*L，即卷积核个数乘以卷积核尺寸。

摘要由CSDN通过智能技术生成

卷积层的运算量公式

num(MAC)=I*J*M*N*K*L

I J 为卷积核大小

M N为卷积之后输出特征的大小

K表示输入通道个数

L表示输出通道个数（这里的通道数可以理解为单样本特征图的个数）

以lenet中的参数为示例：

layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {