我们知道使用module.summary函数可以得到一张表格，来查看这个神经网络模型的各个参数。其中最后一列为Param参数。

目录

一 、param是什么

二、举例说明如何计算param

  1 以一个三层的全连接神经网络为例

  2 卷积神经网络中的param

一 、param是什么

  param代表每一层需要训练的参数个数，在全连接层是 突触权重的个数，在卷积层是卷积核的参数的个数。

二、举例说明如何计算param

  1 以一个三层的全连接神经网络为例

# 定义一个三层结构，输入层，隐藏层，输出层
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28,28)), #图片为28 28格式
    keras.layers.Dense(128, activation= tf.nn.relu),    #隐藏层有128个神经元，这个数字是自己定的
    keras.layers.Dense(10, activation = tf.nn.softmax)  #10指的输出有10个类别，10个神经元
])

             上述代码创建了一个3×3的网络，第一层将输入的28×28图片拍平成一维，第二层为隐藏层有128个神经元，第三层输出层有10个神经元。如下图所示：

网络结构 

          用module.summary可以得到如下表格：

module.summary得到的表格 

         param是每层需要训练的参数数量，因为这里的是全连接层，这里对应的是权重矩阵中参数的个数。       

• 第一层仅仅是拍平，没有需要训练的参数，所以param为0.
• 第二层中param为100480，是第一层28×28个输入，分别乘上对应到128个神经元的权重大小，即28×28×128 = 100352，这里只有100352个权重参数。为什么呢？因为每一层都有一个偏置bias，这个偏置是自动加上去的，每一层都有，除了最后一层。              所以需要训练的参数为（28×28+1）×128=10080
• 同理，第三层的1290=（128+1）×100 = 1290，中间层也多加了一个偏置神经元。

2 卷积神经网络中的param

        因为param是需要训练的参数个数，在卷积层中，需要训练的参数是filter，也就是卷积核。卷积核中参数的个数，就是param的大小。同样，这里会给每个卷积核都加上一个偏置，求大小的时候注意下就好。