怎么看网站的访问量,怎样做网站兼职,郑州营销策划公司排行榜,为什么wordpress不能升级目录 一、卷积层图像输出尺寸 二、池化层图像输出尺寸 三、全连接层输出尺寸 四、卷积层参数数量 五、全连接层参数数量 六、代码实现与验证 以LeNet5经典模型为例子并且通道数为1 LeNet5网络有7层#xff1a; 1.第1层#xff1a;卷积层 输入#xff1a;原始的图片像素…
目录 一、卷积层图像输出尺寸 二、池化层图像输出尺寸 三、全连接层输出尺寸 四、卷积层参数数量 五、全连接层参数数量 六、代码实现与验证 以LeNet5经典模型为例子并且通道数为1 LeNet5网络有7层 1.第1层卷积层 输入原始的图片像素矩阵长度、宽度、通道数大小为32×32×1 参数滤波器尺寸为5×5深度为6不使用全0填充步长为1 输出特征图大小为28×28×6。 分析因为没有使用全0填充所以输出尺寸 32 - 5 1 28深度与滤波器深度一致为6。 2.第2层池化层 输入特征图大小为28×28×6 参数滤波器尺寸为2×2步长为2 输出特征图大小为14×14×6。 3.第3层卷积层 输入特征图大小为14×14×6 参数滤波器尺寸为5×5深度为16不使用全0填充步长为1 输出特征图大小为10×10×16。 分析因为没有使用全0填充所以输出尺寸 14 - 5 1 10深度与滤波器深度一致为16。 4.第4层池化层 输入特征图大小为10×10×16 参数滤波器尺寸为2×2步长为2 输出特征图大小为5×5×16。 5.第5层全连接层 输入节点个数5×5×16 400 参数个数5×5×16×120120 48120 输出节点个数120。 6.第6层全连接层 输入节点个数120 参数个数120×8484 10164 输出节点个数84。 7.第7层全连接层 输入节点个数84 参数个数84×1010 850 输出节点个数10。 由于使用的是MNIST数据集图片大小是28×28×1的1代表通道数也就是灰度图像所以后面代码实现是用28×28的并进行讲解。 上面没看懂没关系公式来了。 一、卷积层图像输出尺寸
定义如下 O 输出图像的尺寸。 I 输入图像的尺寸。 K 卷积层的核尺寸 N 核数量 S 移动步长 P 填充数 公式 (数字0和字母O很像请忽略掉这个小小问题)
示例MNIST手写数字图片大小是28×28×1的LeNet5第一层卷积核个数为5故输出图像尺寸为 故输出的图像大小为24×24×6. 一个卷积核对应一个通道 二、池化层图像输出尺寸
定义如下 O输出图像的尺寸。 I输入图像的尺寸。 S移动步长 PS池化层尺寸 公式 示例第一层的输出为24×24×6故输出图像尺寸为
故输出的图像大小为12×12×6. 池化层不改变通道个数
三、全连接层输出尺寸
全连接层输出向量长度等于神经元的数量。
四、卷积层参数数量
在CNN中,每层有两种类型的参数:权重weights 和偏置项biases.总参数数量为所有weights和biases的总和.
定义如下: WC 卷积层的weights数量 BC 卷积层的biases数量 PC 所有参数的数量 K 核尺寸 N 核数量 C 输入图像通道数 卷积层中,核的深度等于输入图像的通道数.于是每个核有K*K个参数.并且有N个核.由此得出以下的公式 示例LeNet5第一层卷积层卷积核大小为5*5并且有6个输入图像大小为28×28×1即K 5, C 1, N 6故有 所以第一层的总参数量为156。
池化层不计算参数。
五、全连接层参数数量
在CNN中有两种类型的全连接层。第1种是连接到最后1个卷积层,另外1种的FC层是连接到其他的FC层。两种情况分开讨论。
①连接到最后一个卷积层
定义如下: Wcf weights的数量 Bcf biases的数量 O 前卷积层的输出图像的尺寸 N 前卷积层的核数量 F 全连接层的神经元数量 公式 示例以MNIST的28×28×1的输入图片为例在LeNet5的第一个全连接层中前面一层的输出图像大小为4×4×16该全连接层有120个神经元即 O 4, N 16 , F 120故有 所以该层总共有30840个参数。
②连接到上一个全连接层
定义如下: Wff weights的数量 Bff biases的数量 Pff 总参数的数量 F 当前FC层的神经元数量 F-1 前FC层的神经元数量 公式 示例LeNet5中全连接层的第2层前一个全连接层的神经元个数为F-1 120, 当前层的神经元个数为F 84则有 六、代码实现与验证
基于TensorFlow的代码实现如下
# LeNet5网络模型
model tf.keras.Sequential([# 第1层-卷积层 滤波器尺寸5*5,6个keras.layers.Conv2D(6,5),# 第2层-池化层,滤波器尺寸为2×2步长为2keras.layers.MaxPooling2D(pool_size2,strides2),keras.layers.ReLU(),# 第3层-卷积层 滤波器尺寸5*5,16个keras.layers.Conv2D(16,5),# 第4层-池化层,滤波器尺寸为2×2步长为2keras.layers.MaxPooling2D(pool_size2,strides2),keras.layers.ReLU(),keras.layers.Flatten(), # 拉平之后方便做全连接# 第5层-全连接层keras.layers.Dense(120,activationrelu),# 第6层-全连接层keras.layers.Dense(84,activationrelu),# 第7层-全连接层keras.layers.Dense(10,activationsoftmax) # 最后输出10类,0-9的数字
]) 运行代码输出 文献参考
https://www.cnblogs.com/touch-skyer/p/9150039.html
