1. 图像经过一个卷积层后的输出尺寸
其中, O = 输出图像的宽或高
I = 输入图像的宽或高
K = 卷积核的宽或高
S = 滑窗步长stride
P = 补0个数padding
输出的通道数等于kernel的个数。
2. 卷积层的参数量
卷积层含有两种类型的参数:weights和biases。
那么一个卷积层weights的参数量为:
biases的参数量为:
扫描二维码关注公众号,回复:
9078444 查看本文章
那么一个卷积层总的参数量为:
其中, K = 卷积核的宽或高
N = 卷积核的数量
C = 输入图像的通道数
3. 输入图像经过一个MaxPool层后的尺寸
其中, O = 输出图像的宽或高
I = 输入图像的宽或高
S = 滑窗的步长stride
Ps = pool窗口的宽或高
4. MaxPool层的参数量
MaxPool层没有可学习的参数。Pool size,stride和padding都属于超参数。
5. 输入图像经过一个全连接层后的尺寸
全连接层的输出是一个长度等于神经元个数的向量。
6. 全连接层的参数量
这里有两种全连接层:连接最后一个卷积层的全连接层和连接其他全连接层的全连接层。
6.1 连接卷积层的全连接层的参数量
其中 ,O = 前一个卷积层输出图像的宽或高
N = 前一个卷积层卷积核的数量
F = 全连接层的神经元数量
6.2 连接其他全连接层的全连接层的参数量
其中,F = 当前全连接层的神经元数量
F-1 = 前一个全连接层的神经元数量