【Deep Learning】卷积神经网络CNN中参数量和tensor尺寸的计算

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：

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