计算深度学习模型的可训练参数的数量被认为太微不足道了,因为您的代码已经可以为您完成此操作。但是我想在这里留下笔记,让我们偶尔参考一下。以下是我们将要运行的神经网络模型:
- 前馈神经网络(FFNN)
- 循环神经网络(RNN)
- 卷积神经网络(CNN)
我们将使用Keras的API构建机器学习模型,以便于原型设计和干净的代码,因此我们可以在此处快速导入依赖库:
构建之后model,调用model.count_params()以验证可训练的参数数量。
1. 前馈神经网络(FFNN)
- i, 输入大小
- h,隐藏层的大小
- o,输出大小
对于一个隐藏层,
num_params
=各层之间的连接+每层中的偏差
= (i×h + h×o)+(h + o)
例1.1:输入大小为3,隐藏层大小为5,输出大小为2
- i = 3
- h = 5
- o = 2
num_params
=各层之间的连接+每层中的偏差
= (3×5 + 5×2)+(5 &