计算卷积层需要学习训练的参数个数

右侧有目录，可坐电梯直达

---

问题引入：

我这个计算方法，绝对是最准确的一个，而且卷积层的参数个数跟步长strides、padding是valid还是same都毫无关系，你可以对照着model.summary（）后的Param列，一层一层验证过去，我这边举个我自己的例子

计算方法：

输入图像的通道数×卷积核的尺寸×卷积核的个数+偏置（数值上等于卷积核的个数）

举例：

模型搭建

为了方便大家验证，我直接说明下我每一层卷积层的参数情况：

第一层（对应下图的conv2d_1）：

第一层卷积层涉及到计算的各参数取值

输入图像的通道数	3
卷积核的尺寸	11x11
卷积核的个数	48
偏置量（数值上等于卷积核的个数）	48

计算：3x（11x11）x48+48=17472

验证：与生成的模型摘要里显示的Param一致

第二层（对应下图的conv2d_2）：

第一层卷积层涉及到计算的各参数取值

输入图像的通道数	48
卷积核的尺寸	5x5
卷积核的个数	128
偏置量（数值上等于卷积核的个数）	128

计算：48x（5x5）x128+128=153728

验证：与生成的模型摘要里显示的Param一致

 

第三层、第四层、第五层同理，你们可以自己验证一下，肯定一致

 

model.summary（）生成的模型摘要：

拓展：

我搜过BN层参数的计算方法，基本没见过哪个博文提到过，基本都是在“详解BN”、“BN层有什么用”、……，这边我说一下我的理解，可以用来自己目测Trainable Params

计算方法：输入到该BN层的图像的通道数×4

为什么是乘4，原因（个人理解，如果有错，希望各位评论区指正，一起交流学习）：

BN层做批量归一化处理时，应用类似权值共享的策略，把每张特征图当做一个神经元，每张特征图都要学习四个参数：均值、方差、伽马（放缩系数）、贝塔（平移系数）

因为特征图的数量，在数值上与卷积核的个数一致，那在数值上就等于输入到该BN层的图像的通道数。（注意：我的BN层是接在卷积层之后了）