如何計算卷積層中對應參數個數？

來自專欄 機器學習和計算機視覺

一、背景

這段時間在用Keras搭建卷積神經網路中，發現Keras可以自行計算出每層中對應參數的數量，對此計算過程我比較好奇：

二、問題以及解決方案

2.1 問題環境描述

有一張224*224大小的圖片，第一層就為卷基層，代碼如下：

from keras.layers import Conv2D, MaxPooling2D, GlobalAveragePooling2Dfrom keras.layers import Dropout, Flatten, Densefrom keras.models import Sequentialmodel = Sequential()model.add(Conv2D(16,(2,2),input_shape=(224,224,3)))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dense(133))model.summary()

最終統計結果如下：

這裡先拋出卷積層中卷積核操作動態圖：

2.2 第一層（卷積層）的參數個數計算

先整理以下此環境中對應的數據信息

• 信息列表
• Filter個數：32
• 原始圖像shape：224*224*3
• 卷積核大小為：2*2
• 一個卷積核的參數：

  2*2*3=12

• 16個卷積核的參數總額：
  16*12 + 16 =192 + 16 = 208

weight * x + bias根據這個公式，即可算的最終的參數總額為：208

2.3 第二層（池化層）的參數個數計算

很明顯，沒有嘛。不清楚的，去看看池化層到底是啥玩意兒！

2.4 第三層（全連接層）的參數個數計算

三、總結

在卷積層中，每個卷積核都能夠學習到一個特徵，那麼這個特徵其實就是卷積核對應學習到的參數：矩陣中每個單元weight，以及整個卷積核對應的一個bias

解決這個問題最根本還是需要理解最本質的一個公式：weight * x + bias

推薦閱讀：