深度学习每层的通道数如何计算_深度学习基础系列（一）| 一文看懂用kersa构建模型的各层含义（掌握输出尺寸和可训练参数数量的计算方法）...

最新推荐文章于 2024-08-18 11:38:58 发布

不要芝麻酱

最新推荐文章于 2024-08-18 11:38:58 发布

阅读量1.4k

点赞数

文章标签：深度学习每层的通道数如何计算

本文链接：https://blog.csdn.net/weixin_29810427/article/details/112954498

版权

本文通过一个简单的VGG-like模型示例，详细解释了深度学习模型中各层参数的含义，包括卷积层、池化层、全连接层的参数设置和输出尺寸计算，以及可训练参数数量的计算方法。通过理解这些概念，读者可以更好地设计和实现自己的网络模型。

摘要由CSDN通过智能技术生成

我们在学习成熟网络模型时，如VGG、Inception、Resnet等，往往面临的第一个问题便是这些模型的各层参数是如何设置的呢？另外，我们如果要设计自己的网路模型时，又该如何设置各层参数呢？如果模型参数设置出错的话，其实模型也往往不能运行了。

所以，我们需要首先了解模型各层的含义，比如输出尺寸和可训练参数数量。理解后，大家在设计自己的网路模型时，就可以先在纸上画出网络流程图，设置各参数，计算输出尺寸和可训练参数数量，最后就可以照此进行编码实现了。

而在keras中，当我们构建模型或拿到一个成熟模型后，往往可以通过model.summary()来观察模型各层的信息。

本文将通过一个简单的例子来进行说明。本例以keras官网的一个简单模型VGG-like模型为基础，稍加改动代码如下：

from tensorflow import kerasfrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Dense, Dropout, Flattenfrom tensorflow.keras.layers import Conv2D, MaxPool2D

(train_data, train_labels), (test_data, test_labels) = keras.datasets.mnist.load_data()

train_data = train_data.reshape(-1, 28, 28, 1)print("train data type:{}, shape:{}, dim:{}".format(type(train_data), train_data.shape, train_data.ndim))

# 第一组

model = Sequential()

model.add(Conv2D(filters=32, kernel_size=(3, 3), strides=(1, 1), padding='valid', activation='relu', input_shape=(28, 28, 1)))

model.add(Conv2D(filters=32, kernel_size=(3, 3), strides=(1, 1), padding=&