Keras CNN模型参数计算答案

【问题标题】：Keras CNN model parameters calculationKeras CNN模型参数计算
【发布时间】：2017-11-20 08:53:43
【问题描述】：

我的 cnn 模型是使用 Keras 1.1.1 创建的，它有两个卷积池层和两个密集层，并且在第二个卷积池层和第一个密集层之后添加了 dropout。代码如下：

model = Sequential()
#convolution-pooling layers
model.add(Convolution2D(32, 5, 5, input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Convolution2D(64, 5, 5))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
#dense layers
model.add(Flatten()) 
model.add(Dense(100))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add((Dense(2)))
model.add(Activation('softmax'))
#optimizer
sgd = SGD(lr=1e-3, decay=1e-6, momentum=0.9, nesterov=True) 
model.compile(loss='categorical_crossentropy',
              optimizer = sgd,
              metrics=['accuracy'])
print model.summary()

模型汇总表如下：

我不清楚第二个卷积层的参数个数（即红色矩形表示的51264）是如何计算的。我认为这个数字是 (5*5 + 1)*64 = 1664，因为卷积核的大小是 5*5，要提取 64 个特征图。

此外，我已经实现了 dropout。为什么参数表没有反映这一点。尽管表中列出了 dropout（层），但似乎给出了没有 dropout 的参数编号。谁能帮我解释一下参数摘要？

【问题讨论】：

关于 dropout：这会在训练期间随机禁用神经元。它们仍然存在于您的模型中，因此不会从模型摘要中的参数数量中扣除。
我认为你是对的

标签： keras

【解决方案1】：

这是一个相当简单的基本概念计算。通过查看您的代码和模型摘要，这是我的步骤。

第一步：计算参数的公式

total_params =
(filter_height * filter_width * input_image_channels + 1) * number_of_filters

第 2 步：计算第一层的参数

filter_height = 5,
filter_weight = 5,
input_image_channels = 1
number_of_filters = 32
虽然你还没有向我们提供输入图像通道，但我是根据您的参数值计算出来的。

现在我们将计算第一个卷积层的参数数量。

total_param = (5*5*1 + 1)*32 = 832

第 3 步： 同样我们可以计算第二个 conv 层。 请注意，前一层的过滤器数量会成为当前层输入图像的通道数。

filter_height = 5,
filter_weight = 5,
input_image_channels = 32
number_of_filters = 64

现在我们将计算第二个卷积层的参数数量。

total_param = (5*5*32 + 1)*64 = 51264

【讨论】：

谢谢！这是有道理的
嘿@jingweimo，如果我的回答有道理，请采纳。
@blitu12345 谢谢你的回答，你知道我们为什么加1吗？
@Rami 偏见
@Rami，如果是 Convolution2D(32, 5, 5, input_shape=input_shape, bias=False)，则不加 1。默认为 true。

【解决方案2】：

关于问题的第二部分：

Dropout 层在训练期间随机禁用神经元。它们仍然存在于您的模型中，因此不会从模型摘要中的参数数量中扣除。

【讨论】：

【解决方案3】：

在创建网络后键入 model.count_params()。

【讨论】：