多种卷积网络的Parameter计算

LeNet

首先计算一下最简单的LeNet。网络结构如下：

参数总量： 61706 61495
参数内存消耗： 240.214KB

AlexNet
Alexnet的结构图有些奇怪。但其实是因为要把网络拆分到两个GPU上，才画成了两层，两层的结构是一样的，下面计算的时候的结构相当于合并以后的网络。

参数总量： 62369155
参数内存消耗： 237.9195MB

VGG

VGG常见有16层和19层的，这里以16层为例，下面是模型结构图。

参数总量： 138357544 138348355
参数内存消耗： 527.7570MB

GoogleNet

googlenet 提出了inception的概念，用于增加网络深度和宽度，提高深度神经网络性能。下面是googlenet的网络结构：

 

inception的结构如下：

可以看出，inception的结构是多个卷积堆叠，组合而成的。

还有，从上面的网络结构中，可以看到一共有三个输出的分类层：

这个是为了解决深层网络训练的时候梯度消失的问题，所以在中间加入了几个全连接层辅助训练。
最后，贴一个论文上给出的模型的结构图：

在这个图上，已经给出了参数的数量和使用的内存，不过我还是说一下inception模块的计算方法和一些注意事项。

1. 首先是输入，输入的size应该为224x224x3
2. 注意第一层的卷积，没有注明padding，直接算的话，结果是不对的，这里的padding计算方法和tensorflow中卷积方法padding参数设置为’SAME’是一样的。简单来说，就是ceil(size/kernel_size)，这个对于下面的计算也是一样的，总之，就是要填适当的0，使得输出结果和上图相对应就是了。
3. 在上图中5~10列对应inception module中的各个卷积操作，对应的值是输出的feature的数量，对于maxpool操作，他的padding为2，stride为1。
4. 当一个inception模块计算完后，它的输出为各个卷积操作输出的结果连接起来，也就是如果输出分别为28x28x64、28x28x128、28x28x32、28x28x32，那么最终输出就是28x28x(63+128+32+32)。
5. 下面的图给出了inception module内部计算的输出结果。

可以看出googlenet的参数量要比vgg少很多，但是效果确更优秀。

Resnet
关于resnet，我就不打算计算参数了，因为实在量很大，而且实际上，resnet的基本结构也比较简单，计算方法和前面的没什么差别。这里就简单贴一下结构图好了。

可以看出来，如果没有中间一条条连线，其实就是一个很深的普通的卷积网络，中间的连线可以保证梯度可以传递到低层，防止梯度消失的问题。

--------------------- 
作者：qian99 
来源：CSDN 
原文：https://blog.csdn.net/qian99/article/details/79008053 
版权声明：本文为博主原创文章，转载请附上博文链接！

--------------------- 
作者：qian99 
来源：CSDN 
原文：https://blog.csdn.net/qian99/article/details/79008053 
版权声明：本文为博主原创文章，转载请附上博文链接！