CNN知识点

CNN输入层的通道数 = CNN卷积核的通道数

卷积后输出层的通道数（深度）= 卷积核个数

eg:输入矩阵shape为Height*Width*Channels，则卷积核（滤波器）的通道数也为Channels【和输入一致】。卷积核大小为Kernel_size*Kenel_size*Channels,那么输出的一个feature_map的形状为(Height-Kernel_size+1)*(Width-Kernel_size+1)*1，在步长为1，padding=0的情况。

卷积输入层与卷积输出层的计算式：

设input layer：H*W*C（通常在CV领域，H=W），卷积核大小为K*K*C，步长为S，padding为P。则卷积后的输出层形状为：

                            （1）

通常池化层操作也适用于上述公式（1）。

卷积操作计算动图可查看：

机器学习算法之——卷积神经网络(CNN)原理讲解 - 知乎

关于卷积层的参数量计算式：

设卷积核个数为M，卷积核大小为Km*Km*C，则参数量为：

+1表示每个卷积核有一个bia偏置项。

关于池化层的参数量，恭喜，没有需要learn的参数。

关于FC层的参数量：

case 1：FC层前面是卷积层：

 =  连接到conv层的FC层权重个数；

 =  连接到conv层的FC层偏差个数；

O = 卷积层输出大小；

N = 卷积核个数；

F = 全连接层神经元个数。

                        

                        

                        参数总量 = 

case 2：FC层前面还是FC层：

 =  连接到前一层FC层的FC层权重个数；

 =  连接到前一层FC层的FC层偏差个数；

F = 全连接层神经元个数;

 = 前一层FC层的神经元数。则

                         参数总量 = 

若对君有用，请不吝点赞~~