计算CNN卷积神经网络中各层的参数数量「附代码」

每个对机器学习感兴趣的机器学习工程师/软件开发人员/学生都在卷积神经网络（也称为CNN）上工作。我们有一个一般理论，即如何训练网络对图像进行分类。但是，刚接触机器学习/神经网络的人们并不了解CNN如何精确地学习参数。

我们知道，在每个转换层中，网络都试图了解基本模式。例如：在第一层中，网络尝试学习图案和边缘。在第二层中，它尝试了解形状/颜色和其他内容。最后一层称为要素层/完全连接层尝试对图像进行分类。

在学习参数之前，我们需要了解卷积网络中的一些基本概念，这对修改/重用源代码非常有帮助。

CNN网络中存在各种层。

输入层：所有输入层所做的都是读取图像。因此，这里没有学习参数。

卷积层：考虑一个以“ l ”个特征图为输入并以“ k ”个特征图为输出的卷积层。过滤器尺寸为“ n * m ” 。

在此，输入具有l = 32个特征图作为输入，k = 64个特征图作为输出，并且过滤器大小为n = 3和m = 3。重要的是要理解，我们不只是拥有3 * 3过滤器，而是实际上拥有3 * 3 * 32过滤器，因为我们的输入具有32个尺寸。作为第一转换层的输出，我们学习了64个不同的3 * 3 * 32滤波器，总权重为“ n * m * k * l ”。然后，每个特征图都有一个称为“偏差”的术语。因此，参数总数为“ （n * m * l + 1）* k ”.

池化层：池化层中没有可以学习的参数。该层仅用于减小图像尺寸。

完全连接层：在此层中，所有输入单元对每个输出单元都具有可分离的权重。对于“ n ”个输入和“ m ”个输出，权数为“ n * m ”。另外，该层对于每个输出节点都有偏差，因此“ （n + 1）* m ”个参数。

输出层：此层是完全连接的层，因此当“ n ”是输入数而“ m ”是输出数时，参数（n + 1）m。

CNN层的最后一个困难是第一个完全连接的层。我们不知道完全连接层的尺寸，因为它是卷积层。要计算它，我们必须从输入图像的大小开始，并计算每个卷积层的大小。

在简单的情况下，输出CNN层的大小被计算为“ input_size-（filter_size-1） ”。例如，如果输入image_size为（50,50）且filter为（3,3），则（50-（3-1））= 48。但是卷积网络的输入图像的大小不应小于输入的大小，因此可以进行填充。

因此可以进行填充。要计算填充，请输入input_size + 2 * padding_size-（filter_size-1）。对于上述情况，（50+（2 * 1）-（3-1）= 52–2 = 50）给出相同的输入大小。如果我们想明确地想在卷积过程中对图像进行下采样，则可以定义一个跨度。最后，要计算网络学习的参数数量（n * m * k + 1）* f.

让我们在给定的代码中看到这一点。

import kerasfrom keras.models import Modelfrom keras.layers import Input, concatenate, Conv2D, MaxPooling2D, Conv2DTranspose, Dropoutfrom keras.optimizers import Adamfrom keras.callbacks import ModelCheckpointfrom keras.utils import plot_modelfrom keras import backend as KK.set_image_data_format('channels_last') img_row = 96img_col = 96smooth = 1def create_conv_layer(f,stride,activationfn,padding,prevlayer,dropout):conv = Conv2D(f,stride,activation=activationfn,padding=padding)(prevlayer)conv = Dropout(dropout)(conv)conv = Conv2D(f,stride,activation=activationfn,padding=padding)(conv)return convdef maxpooling_fn(prevlayer):return MaxPooling2D(pool_size=(2,2))(prevlayer)def concatenate_fn(f,kernal,stride,padding,src,dest):return concatenate([Conv2DTranspose(f,kernal,strides=stride,padding=padding)(src),dest],axis=3)def dice_coef(y_true,y_pred):y_true_f = K.flatten(y_true)y_pred_f = K.flatten(y_pred)intersection = K.sum(y_true_f * y_pred_f)return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)def dice_coef_loss(y_true,y_pred):return -dice_coef(y_true,y_pred)def getnetwork():inputs = Input((img_row,img_col,1))conv1 = create_conv_layer(32,(3,3),'relu','same',inputs,0.2)pool1 = maxpooling_fn(conv1)conv2 = create_conv_layer(64,(3,3),'relu','same',pool1,0.2)pool2 = maxpooling_fn(conv2)conv3 = create_conv_layer(128,(3,3),'relu','same',pool2,0.3)pool3 = maxpooling_fn(conv3)conv4 = create_conv_layer(256,(3,3),'relu','same',pool3,0.3)pool4 = maxpooling_fn(conv4)conv5 = create_conv_layer(512,(3,3),'relu','same',pool4,0.3)pool5 = maxpooling_fn(conv5)up6 = concatenate_fn(256,(2,2),(2,2),'same',conv5,conv4)conv6 = create_conv_layer(256,(3,3),'relu','same',up6,0.3)up7 = concatenate_fn(128,(2,2),(2,2),'same',conv6,conv3)conv7 = create_conv_layer(128,(3,3),'relu','same',up7,0.3)up8 = concatenate_fn(64,(2,2),(2,2),'same',conv7,conv2)conv8 = create_conv_layer(64,(3,3),'relu','same',up8,0.3)up9 = concatenate_fn(32,(2,2),(2,2),'same',conv8,conv1)conv9 = create_conv_layer(32,(3,3),'relu','same',up9,0.3)conv10 = Conv2D(1,(1,1),activation='sigmoid')(conv9)model = Model(inputs=[inputs],outputs=[conv10])model.compile(optimizer=Adam(lr=0.00001),loss=dice_coef_loss,metrics=[dice_coef])return modelmodel = getnetwork()print(model.summary())plot_model(model, to_file='model.png')

input_1（输入层）的形状为（None，96,96,1），参数为0。在整个程序中，stride = 1，kernel_size = 2 * 2，padding = same。

卷积_1：（（（kernel_size）* stride + 1）* filters）= 3 * 3 * 1 + 1 * 32 = 320个参数。在第一层中，卷积层具有32个滤镜。

Dropout_1：Dropout层不执行任何操作。它只是删除低于所述权重的节点。

Convolutional_2：由于convolutional_1已经学习了32个过滤器。所以数量该层中的可训练参数为3 * 3 * 32 + 1 * 32 = 9248，依此类推。

Max_pooling_2d：此层用于减小输入图像的大小。kernal_size =（2,2）在这里使用。因此输入图像96减少到一半48。模型从这一层学不到任何东西。

Convolutional_3： 3 * 3 * 32 + 1 * 64 = 18496，依此类推。

最后，所有的参数总结在一起。

总训练参数= 7,759,521可训练参数= 7,759,251非训练参数= 0。

Have a great day..!