+关注
已关注

分类  

暂无分类

标签  

暂无标签

日期归档  

2019-08(106)

2019-09(105)

2019-10(7)

2019-11(8)

2019-12(13)

详解keras的卷积层conv2d model.summary()输出参数Param计算过程

发布于2020-08-17 23:49     阅读(1130)     评论(0)     点赞(25)     收藏(3)


详解keras的model.summary()输出参数Param计算过程 最难的是卷积层

1、代码产生conv_1层 他的 param 参数为:(通道数2*核宽2*核高2)+1)*卷积核数3=27

2、代码产生conv_2层 他的 param 参数为:(上层卷积核数3*核宽3*核高3)+1)*卷积核数24=672


    image = Input(shape=(5,5,通道数2),name="input_my")
    1、x = Conv2D(卷积核数3, kernel_size=(核宽2,核高2), strides=(1,1), activation='relu', name='conv_1')(image)
    2、x = Conv2D(24, kernel_size=(核宽3,核高3), strides=(1,1), activation='relu', name='conv_2')(x)
   

  1. from keras import *
  2. from keras.layers import Conv2D,Flatten,Dense
  3. import numpy as np
  4. def create_model():
  5. #------------------------------------
  6. image = Input(shape=(5,5,2),name="input_my")
  7. x = Conv2D(3, kernel_size=(2,2), strides=(1,1), activation='relu', name='conv_1')(image)
  8. x = Conv2D(24, kernel_size=(3,3), strides=(1,1), activation='relu', name='conv_2')(x)
  9. #-------------------------------------------
  10. output = Dense(1, activation='relu', name='output')(x)
  11. model = Model(inputs=image, outputs=output)
  12. return model

Layer (type)                 Output Shape              Param #   
=================================================================
input_my (InputLayer)        (None, 5, 5, 2)           0         
_________________________________________________________________
conv_1 (Conv2D)              (None, 4, 4, 3)           27        
_________________________________________________________________
conv_2 (Conv2D)              (None, 2, 2, 24)          672       
_________________________________________________________________
output (Dense)               (None, 2, 2, 1)           25        
=================================================================

原文链接:https://blog.csdn.net/weixin_47604030/article/details/108028637



所属网站分类: 技术文章 > 博客

作者:短发越来越短

链接: https://www.pythonheidong.com/blog/article/484037/

来源: python黑洞网

任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任

25 0
收藏该文
已收藏

评论内容:(最多支持255个字符)