卷积神经网络关于参数量和计算量的探讨

最新推荐文章于 2024-04-14 08:30:14 发布
最新推荐文章于 2024-04-14 08:30:14 发布
阅读量2.1k 收藏 1
点赞数 1
分类专栏： 计算机视觉 文章标签： CNN的计算量
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/weixin_38241876/article/details/91301140
版权

我们假设卷积核的大小是kxk，输入通道数是M，输出通道数是N，输出特征图大小是fxf，那么如上图所示，我用和输入通道数相同数量的卷积核去卷原始图像，会得到与原始图像输入通道数相同数量的像素值，将这些像素值加权求和得到输出的一个通道的一个像素值，输出通道有多少。

因此卷积和是一个三维的，输出通道有多少个，卷积核就有多少个，而每一个卷积核它的深度就与它要去卷的图像的输入通道数相同。

所以卷积的参数量就是kxk(每一个卷积核的在一个平面上的权重数)xM(每一个卷积核的权重数量)xM(有多少个这样的卷积核)，所以是kxkxMxN。

而计算量就是kxkxMxNxfxf(因为输出通道中的每一个像素值就是一个卷积核的一次运算，而它的大小是fxf，也就是有fxf个)

 

池化的计算量：Batchsize x Cout x Wout x Hout x k x k

 

全连接的计算量：Cout x Cin x Batchsie

Alphapeople
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【深度学习】基于PyTorch的卷积神经网络经典BackBone(骨干网络)复现
fengdu78的博客
05-23 1008
作者丨helton_yan@CSDN（已授权）来源丨https://blog.csdn.net/SESESssss/article/details/114340066编辑丨极市平台导读本文基于代码实战复现了经典的Backbone结构Inception v1、ResNet-50和FPN，并基于PyTorch分享一些网络搭建技巧，很详细很干货！文章目录1.VGG1.1改...
我的模型有多快？——深度学习网络模型的运算复杂度、空间占用和内存访问情况计算
热门推荐
莉莉兹的摸鱼日记
07-11 2万+
前段时间看了几个笔试题，涉及 DNN 的模型复杂度，主要是参数量和计算复杂度的问题。当时搜了一下感觉中文网上的内容比较乱。刚好本文是对神经网络模型资源消耗情况的一篇介绍，就不自己写了，把关键内容做了一下编译。 原文见 http://machinethink.net/blog/how-fast-is-my-model/ 。 深度网络的计算消耗是学术 paper 相对少见的话题。当然，早期网络精度...
卷积层参数量计算_卷积层的参数量怎么算，2024年您应该知道的技术之一
最新发布
2301_77118221的博客
04-14 801
本书是获得了很多读者好评的Linux经典畅销书**《Linux从入门到精通》的第2版**。注意：3指的是输入的通道数，因为卷积核的通道数要和输入通道数一样；8指的是输出通道的通道数，因为从正向过程来看，经过卷积计算后，要把每个卷积核计算的结果堆叠起来，有几个卷积核，就要堆叠几层，那么这个堆叠之后的层数就是输出通道的通道数（这里就是8），好，现在反向来看，已知输出通道的通道数是8，那么卷积核需要几个呢？就像你爬楼梯，现在你站在第8楼，你就知道你爬了8层，那么当你站在0层的时候，你需要爬几层才能到8楼呢？
神经网络的参数量(Params)和计算量(FLOPs)
枉费红笺的博客
12-13 4817
神经网络的参数量（Params）和计算量（FLOPs）
神经网络参数量，计算量FLOPS，内存访问量MAC
Keep_Trying_Go的博客
05-07 3809
文章目录神经网络参数量，计算量FLOPS，内存访问量MAC（Memory Access Cost）对于卷积层而言：1.神经网络参数量计算方式2.计算量3.内存访问量对于全连接层而言：1.参数量2.计算量3.内存访问量BN层的参数量： 神经网络参数量，计算量FLOPS，内存访问量MAC（Memory Access Cost） 对于卷积层而言： 1.神经网络参数量计算方式 卷积层：假设输入特征图大小为: Hin x Win x M，卷积核大小KxK，N个卷积核，输出特征图大小为Hout x Wout x N.
神经网络算法的关键参数,神经网络的参数有哪些
Supermen333的博客
09-28 5066
②、③号油气远景区位于地震勘探所查明的托库1、2号构造，该两个构造位于沙雅隆起的东段，其西段即为1984年钻遇高产油气流的Sch2井，应是含油气性好的远景区；现在一般求解权值和阈值，都是采用梯度下降之类的搜索算法（梯度下降法、牛顿法、列文伯格-马跨特法、狗腿法等等），这些算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使目标函数的输出（在神经网络中就是预测误差）下降。
卷积神经网络中卷积核参数计算和卷积操作理解
qq_25473787的博客
08-29 4348
背景知识 卷积神经网络中的卷积操作主要是由：卷积核大小（kearl_size），步长(stride)，填充(padding)等决定，根据输入的特征图的in_channel的个数，尺寸以及卷积核大小，步长与填充的关系可以计算出卷积后输出的特征图的out_channel，大小等。 相关计算 现在假设原图像的输入为in_channelimage_sizeimage_size,卷积操作的卷积核的大...
神经网络尺寸和参数量计算
Nick_Dizzy的博客
02-08 1749
前言 这里写个参数计算，会借鉴各路大神的杰作，主要是整理一下怕自己以后忘了找起来麻烦 大部分引自https://blog.csdn.net/qian99/article/details/79008053 参数计算方法 首先是卷积层的计算 下面是一个32x32x3的输入，我们用5x5x3的滤波器去卷积 所以最后是553=75的一个参数量 那么最后的输出也是需要一个公式的，一般我们如果使用填充将不改...
基于卷积神经网络的图像去噪（基础篇）
05-06
总结来说，卷积神经网络在图像去噪领域的应用，展示了其强大的特征提取和学习能力。通过对CNN的理解和实践，可以构建出高效的去噪模型，为图像处理和计算机视觉领域的其他任务提供强有力的工具。对于初学者而言，...
tensorflow学习笔记之mnist的卷积神经网络实例
09-20
在本篇TensorFlow学习笔记中，我们探讨了一个用于识别MNIST手写数字的卷积神经网络（CNN）实例。MNIST数据集是一个广泛使用的图像识别数据集，包含0到9的手写数字，每张图像是28x28像素的灰度图像。以下是构建这个...
基于python使用深度卷积神经网络的图像去噪设计与实现
05-04
在图像处理领域，深度学习，特别是卷积神经网络（CNN），已经成为了图像去噪的主流技术之一。Python作为广泛使用的编程语言，结合其丰富的库资源，使得基于Python的深度学习应用变得尤为便捷。本篇文章将深入探讨...
基于卷积神经网络的轴承故障诊断算法模型研究代码
03-21
在本项目中，“基于卷积神经网络的轴承故障诊断算法模型研究代码”着重探讨了如何利用CNN对机械设备，特别是轴承的故障进行有效的检测和诊断。 在轴承故障诊断中，传统的信号处理方法如傅立叶变换、小波分析等，...
神经网络参数量的计算
晓野豬
10-26 7919
文章目录1. 理论公式2. CNN 参数数量3. UNet 参数数量   参数量是指模型的所有带参数的层的权重参数总量。视觉类网络组件中带参数的层主要有：卷积层、BN 层、全连接层等。（注意：激活函数层（relu等）和 Maxpooling 层、Upsample 层是没有参数的，不需要学习，他们只是提供了一种非线性的变换） 1. 理论公式 卷积层：K2×Ci×Co+Co\rm K^{2} \times C_i \times C_o + C_oK2×Ci​×Co​+Co​ 其中，K\rm KK 为卷积核
如何计算神经网络参数的个数？
Henry的博客
11-28 6156
神经网络随着层数的加深，网络参数的个数会越来越多，小的网络有成千上万个参数，大的可以达到千万个网络参数。这里我们介绍一下如何计算神经网络参数的个数图像分类的神经网络，包含两个部分：特征提取层+ 分类层特征提取层就是将提取图像中的特征，这里的特征就是图像的细节，例如边缘、关键点等等。类似于人在识别物体的时候，往往不需要看清物体具体长什么样子，只需要观察大概的轮廓就知道这个物体是人还是树。那么这里人的轮廓或者树的轮廓就是特征，而我们是不需要知道这个人长得怎么样的。
6种方法计算神经网络参数量Params、计算量FLOPs、Macs简单代码
qq_40193227的博客
11-08 4404
6种方法计算神经网络参数量Params、计算量FLOPs、Macs简单代码
如何计算神经网络的参数量
weixin_44808274的博客
09-07 980
计算神经网络的参数数量通常涉及到计算权重（weights）和偏差（biases）的数量。例如，对于一个3x3的卷积核，输入通道数为3，输出通道数为64的卷积层，权重参数数量为3x3x3x64。，权重参数数量是输入神经元数与输出神经元数的乘积。例如，一个输入神经元数为256，输出神经元数为128的全连接层，权重参数数量为256x128。因此，偏差参数的数量通常等于输出神经元的数量。这通常涉及到输入神经元的数量乘以输出神经元的数量。将每一层的权重参数数量和偏差参数数量相加，得到神经网络的总参数数量。
计算神经网络参数量Params、计算量FLOPs（亲测有效的3种方法）
weixin_43570470的博客
03-02 2067
计算神经网络参数量Params、计算量FLOPs
计算CNN的模型的算力FLOPS
xidaoliang的博客
03-05 1万+
YOLOv3中的有一输入日志显示了BFLOPS，代表了这一卷积层的算力具体有多少。下面是我输入的前面38层的日志; layerfilters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs 1 conv 64 3 x 3 ...
卷积神经网络(二)——AlexNet,VGGNet,ResNet,InceptionNet,MobileNet
zhao_crystal的博客
01-31 5827
Q：为什么需要不同的网络结构 不同的网络结构解决的问题不同 不同的网络结构使用的技巧不同 不同的网络结构应用的场景不同 一. 模型的演变与进化 模型演变 AlexNet, VGG, ResNet, Inception, MobileNet 模型的进化 更深更宽——AlexNet到VGGNet 不同的模型结构——VGG到InceptionNet/ResNet 优势组合——I...
卷积神经网络.pptx
09-29
"卷积神经网络(pptx)——深入探讨卷积神经网络的发展与计算机视觉应用" 卷积神经网络（Convolutional Neural Networks, CNNs）是一种在人工智能领域，尤其是计算机视觉中广泛使用的深度学习模型。CNNs的设计灵感...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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