CNN需要训练的参数个数（Param #）计算

最新推荐文章于 2024-12-11 12:06:15 发布

w_x_yhao

最新推荐文章于 2024-12-11 12:06:15 发布

阅读量2.3k

点赞数 3

文章标签： cnn 深度学习神经网络

本文链接：https://blog.youkuaiyun.com/w_x_yhao/article/details/123050474

版权

本文详细解析了CNN模型中参数数量的计算方法，包括Dense层、池化层和卷积层。举例说明了各层参数的计算过程，如Dense层的参数总数为输入特征数乘以神经元数，而卷积层参数数为卷积核大小乘以前一层输出通道数再乘以当前层通道数。总结了模型总参数量，并强调池化层不涉及训练参数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

设计好CNN模型后，常见的模型摘要如下图所示，大家有没有想过，里面的参数个数（Param #）是如何计算出来的呢？
在这里插入图片描述
最简单的是Dense层，即全连接层(FC)，输入参数就是前一层的输出，例如上图中，Dense层，输入参数个数就是78400，即每个神经元都有78400个输入，根据神经元计算公式 Y = W*X + b，对应的w有78400个，外加偏置b，每个神经元共计（78400+1）个参数需要训练。

    dense层共有512个神经元，所以需要训练的参数共计 （78400+1）× 512 = 40141312;

    dense_1层：(512+1)×1=513

    池化层（Pooling)没有需要训练的参数。

    卷积层(Conv2D)本质是在训练卷积核(Kernel），假设输入为i，本层的卷积核个数为j，卷积核为n*m，则需要训练的参数个数为：N = (n*m*i+1)*j

    Conv2d 层中，i=1,j=16,n=m=3,所以N=（3*3*1+1)*16=448;

    Conv2d_1 层中，i=16,j=32,n=m=3,所以N=（3*3*16+1)*32=4640;

    Conv2d_2 层中，i=32,j=64,n=m=3,所以N=（3*3*32+1)*64=18496;

    需要训练的参数个数总计(Trainable params: 448+4640+18496+40141312+513=40165409

原文链接：https://www.jianshu.com/p/02a67e187a72