关于卷积层，全连接层，池化层的相关输出参数计算

目录

说明

全连接层FC，全连接NN

卷积Convolutional

模型占用显存的计算 

---

为了更好的说明问题，\另一个文中进行说明，本文内容都是一些概念/理论的东西，都是抄的。

https://blog.csdn.net/weixin_39875161/article/details/88364442

说明

kernel  == filter

feature map ×ｎ == output

Depth == channel

符号	参数说明
Wi / Hi / Ci	Width / Height / Depth of input
W	Width of feature map
H	Height of feature map
D	Depth of feature map
F	Szie of filters
K	Number of th filters
S	Strip of filter

 

全连接层FC，全连接NN

全连接 ：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。

• 参数个数： FC前层 × FC后层
• 计算量/乘法计算次数/times :  FC前层 × FC后层

待优化的参数过多， 容易导致模型过拟合。 为避免这种现象， 实际应用中一般不会将原始图片直接喂入全连接网络
将会产生大量的参数，是整个网络最大的累赘。

卷积Convolutional

卷积，是提取特征的过程，也可以说成是压缩数据。有三个参数，卷积核/卷积层中神经元感知域大小kernel，滑动步长strip，填充方法padding:same/valid。

例： 输入是 7×7，滤波器是 3×3，步长为 1，填充为 0，那么就能得到一个 5×5的输出。如果输入量是 32x32x3，核是 5x5x3，不用全零填充，输出是（32-5+1）/1=28。如果要让输出量保持在 32x32x3， 可以对该层加一个大小为 2 的零填充。 可以根据需求计算出需要填充几层零。 32=（32-5+2P） /1 +1， 计算出 P=2， 即需填充 2，如下图。

• 卷积核的个数  :   卷积核的个数=最终的featuremap的个数  = D   通过上图可以看出来，他是作者自己订的。
• 参数的个数/Space: 卷积核的尺寸 x 卷积的深度x输出深度 = F x F x D x K
• 输出尺寸  ：( 输入数据体尺寸-卷积核+2*零填充的数量)/步长+1 = (Wi - W + 1)/S + 1
• 计算量/乘法计算次数/times  :  输入图像的尺寸x 卷卷积的尺寸 x 输入深度 x 输出深度= Wi x Hi x F x F x Di x D

普通的cnn来说 卷积的深度 == 输入数据的深度

模型占用显存的计算 

下面是抄得

显存的占用主要是Model本身和每一层的output。

\

计算方法

image