【深度学习笔记】卷积层,全连接层,池化层的相关输出参数计算

    技术2022-07-13  72

    目录

    1 说明2 全连接层FC,全连接NN3 卷积Convolutional4 参考

    1 说明

    kernel == filter feature map ×n == output Depth == channel 符号参数说明Wi / Hi / CiWidth / Height / Depth of inputWWidth of feature mapHHeight of feature mapDDepth of feature mapFSzie of filtersKNumber of th filtersSStride of filter

    2 全连接层FC,全连接NN

    全连接 :每个神经元与前后相邻层的每一个神经元都有连接关系,输入是特征,输出为预测的结果。

    参数个数: FC前层 × FC后层

    计算量/乘法计算次数/times : FC前层 × FC后层

    待优化的参数过多, 容易导致模型过拟合。 为避免这种现象, 实际应用中一般不会将原始图片直接喂入全连接网络,将会产生大量的参数,是整个网络最大的累赘。

    3 卷积Convolutional

    卷积,是提取特征的过程,也可以说成是压缩数据。有三个参数,卷积核/卷积层中神经元感知域大小kernel,滑动步长strip,填充方法padding:same/valid。

    例: 输入是 7×7,滤波器是 3×3,步长为 1,填充为 0,那么就能得到一个 5×5的输出。如果输入量是 32x32x3,核是 5x5x3,不用全零填充,输出是(32-5+1)/1=28。如果要让输出量保持在 32x32x3, 可以对该层加一个大小为 2 的零填充。 可以根据需求计算出需要填充几层零。 32=(32-5+2P) /1 +1, 计算出 P=2, 即需填充 2。

    卷积核的个数 : 卷积核的个数=最终的featuremap的个数 = D 通过上图可以看出来,他是作者自己订的。参数的个数/Space: 卷积核的尺寸 x 卷积的深度x输出深度 = F x F x D x K 输出尺寸 :(输入数据体尺寸-卷积核+2*零填充的数量)/步长+1 = (Wi - W + 1)/S + 1 计算量/乘法计算次数/times :输入图像的尺寸x 卷卷积的尺寸 x 输入深度 x 输出深度= Wi x Hi x F x F x Di x D

    普通的cnn来说 卷积的深度 == 输入数据的深度

    4 参考

    [1] 关于卷积层,全连接层,池化层的相关输出参数计算.

    Processed: 0.012, SQL: 9