之前一直以為卷積是二維的操作，而到今天才發(fā)現(xiàn)卷積其實是在volume上的卷積。比如輸入的數(shù)據(jù)是channels*height*width（3*10*10），我們定義一個核函數(shù)大小為3*3，則輸出是8*8。實際核函數(shù)的參數(shù)量是3*3*channels，在本例子中就是3*3*3。

舉例：

假設(shè)輸入的tensor是3*10*10，定義一個大小為3*3的kernel，如果進(jìn)行一個conv2d操作，輸出的feature map是5的話，那么這個conv2d涉及的參數(shù)數(shù)是3*3*3*5+5=140個，輸出大小5*8*8。其中3*3*3代表的是核參數(shù)，5代表的是bias數(shù)。

驗證代碼：

from keras.layers import Dense, Conv2D
from keras.models import Sequential
model = Sequential()
conv1 = Conv2D(5, 3, input_shape=(3, 10, 10))
model.add(conv1)
print(model.summary())

_________________________________________________________________

Layer (type)???????????????? Output Shape????????????? Param #??

=========================================================

conv2d_1 (Conv2D)??????????? (None, 5, 8, 8)?????????? 140??????

=========================================================

Total params: 140

Trainable params: 140

Non-trainable params: 0

_________________________________________________________________

?

3D卷積意思是指在多個channel的volume上進(jìn)行convolution操作。比如：5個4*10*10（深度、高度、寬度）大小的volume組成的高維數(shù)組。假設(shè)核大小為2*2*2，stride為1，輸出feature map的數(shù)量為4，那么參數(shù)數(shù)為2*2*2*channels（5）*output feature maps（4）+4=164。輸出大小為4*3*9*9。其中第一個4對應(yīng)的是feature map數(shù)，第二個3對應(yīng)的是深度，第三個9對應(yīng)的是高度，第四個9對應(yīng)的是寬度。

驗證代碼：

?

from keras.layers import Conv3D
from keras.models import Sequential

?

model = Sequential()
conv1 = Conv3D(4, 2, input_shape=(5, 4, 10, 10))
model.add(conv1)

?

print(model.summary())

?

_________________________________________________________________

Layer (type)???????????????? Output Shape?????????? ???Param #??

=========================================================

conv3d_1 (Conv3D)??????????? (None, 4, 3, 9, 9)??????? 164??????

=========================================================

Total params: 164

Trainable params: 164

Non-trainable params: 0

_________________________________________________________________

轉(zhuǎn)載于:https://www.cnblogs.com/chuantingSDU/p/8120065.html

總結(jié)

以上是生活随笔為你收集整理的CNN中的卷积操作的参数数计算的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。