网络层

最新推荐文章于 2024-03-04 14:15:14 发布
最新推荐文章于 2024-03-04 14:15:14 发布
阅读量347 收藏
点赞数
分类专栏： 深度学习-pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44469416/article/details/113090743
版权
本文详细介绍了网络层的结构，包括多个卷积层、池化层、全连接层和激活函数的使用，以及Dropout正则化的应用。通过多层特征提取和融合，最终实现对输入数据的多维度预测。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Layer (type) Output Shape Param # Connected to

input_1 (InputLayer) (None, array(64), ar 0

conv2d_5 (Conv2D) (None, 62, 62, 16) 448 input_1[0][0]

conv2d_1 (Conv2D) (None, 62, 62, 32) 896 input_1[0][0]

batch_normalization_5 (BatchNor (None, 62, 62, 16) 64 conv2d_5[0][0]

batch_normalization_1 (BatchNor (None, 62, 62, 32) 128 conv2d_1[0][0]

activation_5 (Activation) (None, 62, 62, 16) 0 batch_normalization_5[0][0]

activation_1 (Activation) (None, 62, 62, 32) 0 batch_normalization_1[0][0]

max_pooling2d_1 (MaxPooling2D) (None, 31, 31, 16) 0 activation_5[0][0]

average_pooling2d_1 (AveragePoo (None, 31, 31, 32) 0 activation_1[0][0]

conv2d_6 (Conv2D) (None, 29, 29, 16) 2320 max_pooling2d_1[0][0]

conv2d_2 (Conv2D) (None, 29, 29, 32) 9248 average_pooling2d_1[0][0]

batch_normalization_6 (BatchNor (None, 29, 29, 16) 64 conv2d_6[0][0]

batch_normalization_2 (BatchNor (None, 29, 29, 32) 128 conv2d_2[0][0]

activation_6 (Activation) (None, 29, 29, 16) 0 batch_normalization_6[0][0]

activation_2 (Activation) (None, 29, 29, 32) 0 batch_normalization_2[0][0]

max_pooling2d_2 (MaxPooling2D) (None, 14, 14, 16) 0 activation_6[0][0]

average_pooling2d_2 (AveragePoo (None, 14, 14, 32) 0 activation_2[0][0]

conv2d_7 (Conv2D) (None, 12, 12, 16) 2320 max_pooling2d_2[0][0]

conv2d_3 (Conv2D) (None, 12, 12, 32) 9248 average_pooling2d_2[0][0]

batch_normalization_7 (BatchNor (None, 12, 12, 16) 64 conv2d_7[0][0]

batch_normalization_3 (BatchNor (None, 12, 12, 32) 128 conv2d_3[0][0]

activation_7 (Activation) (None, 12, 12, 16) 0 batch_normalization_7[0][0]

activation_3 (Activation) (None, 12, 12, 32) 0 batch_normalization_3[0][0]

max_pooling2d_3 (MaxPooling2D) (None, 6, 6, 16) 0 activation_7[0][0]

average_pooling2d_3 (AveragePoo (None, 6, 6, 32) 0 activation_3[0][0]

conv2d_8 (Conv2D) (None, 4, 4, 16) 2320 max_pooling2d_3[0][0]

conv2d_4 (Conv2D) (None, 4, 4, 32) 9248 average_pooling2d_3[0][0]

batch_normalization_8 (BatchNor (None, 4, 4, 16) 64 conv2d_8[0][0]

batch_normalization_4 (BatchNor (None, 4, 4, 32) 128 conv2d_4[0][0]

activation_8 (Activation) (None, 4, 4, 16) 0 batch_normalization_8[0][0]

activation_4 (Activation) (None, 4, 4, 32) 0 batch_normalization_4[0][0]

conv2d_11 (Conv2D) (None, 14, 14, 10) 170 max_pooling2d_2[0][0]

conv2d_12 (Conv2D) (None, 14, 14, 10) 330 average_pooling2d_2[0][0]

conv2d_13 (Conv2D) (None, 31, 31, 10) 170 max_pooling2d_1[0][0]

conv2d_14 (Conv2D) (None, 31, 31, 10) 330 average_pooling2d_1[0][0]

conv2d_9 (Conv2D) (None, 4, 4, 10) 170 activation_8[0][0]

conv2d_10 (Conv2D) (None, 4, 4, 10) 330 activation_4[0][0]

max_pooling2d_4 (MaxPooling2D) (None, 3, 3, 10) 0 conv2d_11[0][0]

average_pooling2d_4 (AveragePoo (None, 3, 3, 10) 0 conv2d_12[0][0]

max_pooling2d_5 (MaxPooling2D) (None, 3, 3, 10) 0 conv2d_13[0][0]

average_pooling2d_5 (AveragePoo (None, 3, 3, 10) 0 conv2d_14[0][0]

flatten_1 (Flatten) (None, 160) 0 conv2d_9[0][0]

flatten_2 (Flatten) (None, 160) 0 conv2d_10[0][0]

flatten_3 (Flatten) (None, 90) 0 max_pooling2d_4[0][0]

flatten_4 (Flatten) (None, 90) 0 average_pooling2d_4[0][0]

flatten_5 (Flatten) (None, 90) 0 max_pooling2d_5[0][0]

flatten_6 (Flatten) (None, 90) 0 average_pooling2d_5[0][0]

dropout_1 (Dropout) (None, 160) 0 flatten_1[0][0]

dropout_2 (Dropout) (None, 160) 0 flatten_2[0][0]

dropout_3 (Dropout) (None, 90) 0 flatten_3[0][0]

dropout_4 (Dropout) (None, 90) 0 flatten_4[0][0]

dropout_5 (Dropout) (None, 90) 0 flatten_5[0][0]

dropout_6 (Dropout) (None, 90) 0 flatten_6[0][0]

dense_1 (Dense) (None, 3) 483 dropout_1[0][0]

dense_2 (Dense) (None, 3) 483 dropout_2[0][0]

dense_4 (Dense) (None, 3) 273 dropout_3[0][0]

dense_5 (Dense) (None, 3) 273 dropout_4[0][0]

dense_7 (Dense) (None, 3) 273 dropout_5[0][0]

dense_8 (Dense) (None, 3) 273 dropout_6[0][0]

multiply_2 (Multiply) (None, 3) 0 dense_1[0][0]
dense_2[0][0]

multiply_4 (Multiply) (None, 3) 0 dense_4[0][0]
dense_5[0][0]

multiply_6 (Multiply) (None, 3) 0 dense_7[0][0]
dense_8[0][0]

dense_3 (Dense) (None, 6) 24 multiply_2[0][0]

dense_6 (Dense) (None, 6) 24 multiply_4[0][0]

dense_9 (Dense) (None, 6) 24 multiply_6[0][0]

multiply_1 (Multiply) (None, 160) 0 flatten_1[0][0]
flatten_2[0][0]

multiply_3 (Multiply) (None, 90) 0 flatten_3[0][0]
flatten_4[0][0]

multiply_5 (Multiply) (None, 90) 0 flatten_5[0][0]
flatten_6[0][0]

pred_age_stage1 (Dense) (None, 3) 21 dense_3[0][0]

pred_age_stage2 (Dense) (None, 3) 21 dense_6[0][0]

pred_age_stage3 (Dense) (None, 3) 21 dense_9[0][0]

delta_s1 (Dense) (None, 1) 161 multiply_1[0][0]

delta_s2 (Dense) (None, 1) 91 multiply_3[0][0]

delta_s3 (Dense) (None, 1) 91 multiply_5[0][0]

local_delta_stage1 (Dense) (None, 3) 21 dense_3[0][0]

local_delta_stage2 (Dense) (None, 3) 21 dense_6[0][0]

local_delta_stage3 (Dense) (None, 3) 21 dense_9[0][0]

pred_a (Lambda) (None, 1) 0 pred_age_stage1[0][0]
pred_age_stage2[0][0]
pred_age_stage3[0][0]
delta_s1[0][0]
delta_s2[0][0]
delta_s3[0][0]
local_delta_stage1[0][0]
local_delta_stage2[0][0]
local_delta_stage3[0][0]

Total params: 40,915
Trainable params: 40,531
Non-trainable params: 384

DEBUG:root:Saving model…

卷积神经网络的架构创新：超参数调整、网络层数增加、数据增强
AI天才研究院
07-05 5687
作者：禅与计算机程序设计艺术 卷积神经网络的架构创新：超参数调整、网络层数增加、数据增强 作为一位人工智能专家，程序员和软件架构师，CTO，我今天将和大家分享关于卷积神经网络（CNN）架构的创新方法。在训练CNN模型时，我们需要调整一些超参数以获得最佳
计算机网络-网络层
Lzc的博客
05-29 1万+
网络层1. 前言2. 网络层的作用3. 网络层数据交换4. 网络层协议及报文格式5. ARP与RARP6. 国际控制报文协议ICMP 1. 前言 网络层介于传输层和数据链路层之间，其主要作用是实现两个网络系统之间的数据透明传送，具体包括路由选择，拥塞控制和网际互连等。网络层是网络与网络之间通信的最底层，在数据从数据链路层向传输层进行数据传输的通信中，起到构建一个中间通信子网的作用。不同网络有这...
深度学习summary的网络结构Layer (type) Output Shape Param什么意思？
最新发布
qlkaicx的博客
03-04 1025
在这个例子中，可能每个卷积核的大小为4（因为6-4+1=3，这是一个常见的卷积操作后的输出大小计算方法，但这只是一个猜测，实际大小可能不同），所以有。层，参数数量是64。在一维卷积层中，参数的数量主要由卷积核的数量和大小决定。这段信息是从一个深度学习模型的摘要中截取的，它描述了模型中的某一层（Layer）的信息。: 这部分描述了层的类型和名称。，其中的数字“1”可能表示这是模型中的第一个。: 这部分描述了该层输出的形状。: 这部分描述了该层的参数数量。，表示这是一个一维卷积层。因此，总的参数数量是。
layer output 激活函数_keras 定义激活函数及layer
weixin_39569894的博客
12-20 426
自定义激活函数通过定义个操作 Tensor 的函数，然后将其添加到 keras 系统中即可。from keras.utils.generic_utils import get_custom_objectsdef binary(x):# 注: tf.greater 函数没有 gradient 函数，因此在运行时候会报错# ValueError: An operation has `None` for...
CNN卷积函数Conv2D()各参数的含义及用法
魔法探戈
07-23 6万+
首先我们放出tf2.0关于tf.keras.layers.Conv2D()函数的官方文档，然后逐一对每个参数的含义和用法进行解释： tf.keras.layers.Conv2D( filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_
Conv2d函数详解（Pytorch）
qq_43363657的博客
02-15 6万+
本文是基于Pytorch框架下的API ：Conv2d（）。该函数使用在二维输入，另外还有Conv1d（）、Conv3d（），其输入分别是一维和三维。下面将介绍Conv2d（）的参数。 一、参数介绍 def __init__( self, in_channels: int, out_channels: int, kernel_size: _size_2_t, stride: _size_2_t = 1, p.
详解keras的model.summary()输出参数Param计算过程
热门推荐
ybdesire的专栏
12-22 12万+
摘要 使用keras构建深度学习模型，我们会通过model.summary()输出模型各层的参数状况，如下： ________________________________________________________________ Layer (type) Output Shape Param # ==============...
计算机网络——网络层要点总结
Yushiba972的博客
05-14 3954
“ 本文总结了计算机网络中网络层的相关知识，适合学习过计算机网络的人群快速复习，查找相关知识点并巩固。”
BLE Mesh蓝牙组网技术详细解析之Network Layer网络层（三）
LONGSHEN1的博客
12-25 2428
Network Layer负责数据的寻址和转发。它使用Mesh Address来标识节点和消息。每个节点和消息都有唯一的Mesh Address，用于定位和通信。Network Layer还定义了消息的格式，使用PDU封装和传输消息。PDU包含头部、尾部和可选字段。头部包含消息类型、长度、序列号等，用于标识和处理。尾部包含校验码、加密密钥等，用于验证和保护。此外，Network Layer定义了输入输出过滤器，根据条件选择性地接收或发送消息，例如节点地址、Mesh Address、TTL值等。
网络层协议介绍
ZEK123456789的博客
03-20 2611
目录 一、网络层功能 二、IP数据包格式 三、ICMP协议介绍 基本命令格式： ping 命令的常用参数 四、ARP协议概述 ARP协议概述： ARP的工作原理： ARP的相关命令： 五、ARP攻击与ARP欺骗原理和应用 ARP攻击原理 ​六、总结 一、网络层功能 1、定义了基于IP协议的逻辑地址 2、连接不同的网段 3、选择数据通过网络的最佳选择 二、IP数据包格式 版本号（ Version）： 4bit 指IP协议版本。并且通信双方使用的版本必须保持一致...
keras中summary()打印上一篇的网络函数
计算机研究生
03-29 8047
>>>print(model.summary()) __________________________________________________________________________________________________ Layer (type) Output Shape Param # C...
论文Mobilenet v1 的网络结构和参数图
qq_44644355的博客
11-13 427
Layer (type) Output Shape Param # input_1 (InputLayer) [(None, 224, 224, 3)] 0 conv1_pad (ZeroPadding2D) (None, 226, 226, 3) 0 conv1 (Conv2D) (None, 112, 112, 32) 864 conv1_bn (BatchN.
综合_详解keras的model.summary()输出参数output shape 与 Param，计算过程
上善若水
10-10 1万+
（综合-全-懂）详解keras的model.summary()输出参数output shape 与 Param，计算过程 公式总结： 基本神经网络 Param计算过程 公式： ***dense 层*** Param = （输入数据维度+1）* 神经元个数 之所以要加1，是考虑到每个神经元都有一个Bias。 卷积神经网络Param计算过程 公式 ***Conv1D*** Param = (卷积核大小 x 词向量维度 + 1) x 卷积核个数 ***Conv2D*** Param = （卷积核长
tensorflow2.0基础（9）——模型的层layers
青鸠的博客
08-04 2710
模型的层layers 深度学习模型一般由各种模型层组合而成。 tf.keras.layers内置了非常丰富的各种功能的模型层。例如， layers.Dense,layers.Flatten,layers.Input,layers.DenseFeature,layers.Dropout layers.Conv2D,layers.MaxPooling2D,layers.Conv1D layers.Embedding,layers.GRU,layers.LSTM,layers.Bidirectional等等。 如
keras的某一层输出之二
NLP与推荐算法
03-28 449
接很久之前的一篇，今天主要考虑的问题是FC dense层后面如果有dropout层该怎么办？ 模型如下： Layer (type) Output Shape Param # ================================================================= input_1 (Inp...
TensorFlow2.0教程-过拟合和欠拟合
知行_那片天
03-16 5613
TensorFlow教程-过拟合和欠拟合 1.观察数据 NUM_WORDS = 10000 (train_data, train_labels), (test_data, test_labels) = keras.datasets.imdb.load_data(num_words=NUM_WORDS) def multi_hot_sequences(sequences, dimension): ...
keras中最常用深度学习的API
weixin_34234823的博客
10-27 220
更多深度文章，请关注云计算频道：https://yq.aliyun.com/cloud 众所周知，利用Keras-Python库可以快速、轻松地创建属于自己的深度学习的模型，今天我们就来介绍一些我们常用的API函数。 序贯模型（Sequential）API允许你为大多数问题逐层的创建模型。它的局限性在于它不允许你创建共享层或者是具有多个输入或输出的模型...
ShuffleNet中add层和concatenate层的区别
落地生根
04-17 1179
最近学习轻量级网络：ShuffleNet V1，看论文过程中对其模型中add和concat层不理解，查看一番资料后，总结如下：
译（四十七）-Pytorch获取模型概要
asd123pwj的博客
02-12 945
文章首发及后续更新：https://mwhls.top/3626.html 新的更新内容请到mwhls.top查看。 无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。 stackoverflow热门问题目录如有翻译问题欢迎评论指出，谢谢。 目录 1. Pytorch获取模型概要 2. Model summary in pytorch Pytorch获取模型概要Wasi Ahmad asked:Pytorch 怎么像 Keras 的 model.summary() 获得一个模型概要？Mode
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值