我们知道,在Keras编程中,通过
model.summary()
可以打印出网络的结构,包括层类型,输出层大小,参数。如下图所示:
由上图可以知道,
(1)pooling层是没有参数,
(2)设卷积核大小为K,输入通道数为C,卷积核的个数为N,
conv2d_1卷积层的参数:K*K*C*N+N,代入数据得 3*3*3*64+64=1792
传统卷积层的工作流程是:卷积核的每一个通道与图像每一个通道上对应的像素分别进行乘积求和,然后所有通道的和再求和,加上偏置,送入非线性激活函数。
(3)batch_normalization的参数是如何计算的?
batch_normalization需要训练的参数是两个,batch_normalization_1的参数应该是:64*2=128,256是如何得出来的?