卷积层与全连接层权重（参数）个数的计算

最新推荐文章于 2025-09-22 08:33:35 发布

原创

最新推荐文章于 2025-09-22 08:33:35 发布 · 1.6w 阅读

52 ·

CC 4.0 BY-SA版权

文章标签：

#卷积层 #CNN #深度学习

本文介绍了在深度学习环境中，特别是使用TensorFlow 2.0.0b0构建的卷积神经网络（CNN）中，卷积层和全连接层的权重个数计算方法。卷积层的参数数量由卷积核尺寸、通道数和卷积核个数决定，而全连接层的参数数量取决于上一层神经元的数量和当前层的神经元数量。文中给出了具体的计算示例，如卷积层1的参数为320，全连接层2的参数为650。

环境：Pycharm2017.2，tensorflow 2.0.0b0，Win7，python3.6

感想：最近在研究卷积神经网络的构建和训练，权重（参数）是一个非常重要的概念，卷积层会用多个不同的卷积核，每个卷积核有m*n个权重，用来提取和强化图像的特征，主要利用了图像的局部相关性。全连接层，顾名思义，每一层的每个神经元都与上一层的每个神经元连接起来，每条连接都有一个权重和偏置来进行传递。

构建卷积网络如下:

import tensorflow as tf
from tensorflow.python.keras import datasets, models, layers
import os
class CNN(object):
    def __init__(self):
        model = models.Sequential()
        # 第1层卷积，卷积核大小为3*3，32个卷积核，28*28为待训练图片的大小
        model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
        # 池化层
        model.add(layers.MaxPooling2D(2, 2))
        # 第2层卷积，卷积核大小为3*3，64个卷积核
        model.add(layers.Conv2D(64, (3, 3), activation='relu'))
        # 池化层
        model.add(layers.MaxPooling2D(2, 2))
        # 第3层卷积，卷积核大小为3*3，128个卷积核
        model.add(layers.Conv2D(128, (3, 3), activation='relu'))
        # 池化层
        model.add(layers.MaxPooling2D(2, 2))
        # 拉成1维形状
        model.add(layers.Flatten())
        # 第4层全连接层，64

最低0.47元/天解锁文章