计算CNN卷积神经网络中各层的参数数量「附代码」
每个对机器学习感兴趣的机器学习工程师/软件开发人员/学生都在卷积神经网络(也称为CNN)上工作。我们有一个一般理论,即如何训练网络对图像进行分类。但是,刚接触机器学习/神经网络的人们并不了解CNN如何精确地学习参数。
我们知道,在每个转换层中,网络都试图了解基本模式。例如:在第一层中,网络尝试学习图案和边缘。在第二层中,它尝试了解形状/颜色和其他内容。最后一层称为要素层/完全连接层尝试对图像进行分类。
在学习参数之前,我们需要了解卷积网络中的一些基本概念,这对修改/重用源代码非常有帮助。
CNN网络中存在各种层。
输入层:所有输入层所做的都是读取图像。因此,这里没有学习参数。
卷积层:考虑一个以“ l ”个特征图为输入并以“ k ”个特征图为输出的卷积层。过滤器尺寸为“ n * m ” 。
在此,输入具有l = 32个特征图作为输入,k = 64个特征图作为输出,并且过滤器大小为n = 3和m = 3。重要的是要理解,我们不只是拥有3 * 3过滤器,而是实际上拥有3 * 3 * 32过滤器,因为我们的输入具有32个尺寸。作为第一转换层的输出,我们学习了64个不同的3 * 3 * 32滤波器,总权重为“ n * m * k * l ”。然后,每个特征图都有一个称为“偏差”的术语。因此,参数总数为“ (n * m * l + 1)* k ”.
池化层:池化层中没有可以学习的参数。该层仅用于减小图像尺寸。
完全连接层:在此层中,所有输入单元对每个输出单元都具有可分离的权重。对于“ n ”个输入和“ m ”个输出,权数为“ n * m ”。另外,该层对于每个输出节点都有偏差,因此“ (n + 1)* m ”个参数。
输出层:此层是完全连接的层,因此当“ n ”是输入数而“ m ”是输出数时,参数(n + 1)m。
CNN层的最后一个困难是第一个完全连接的层。我们不知道完全连接层的尺寸,因为它是卷积层。要计算它,我们必须从输入图像的大小开始,并计算每个卷积层的大小。
在简单的情况下,输出CNN层的大小被计算为“ input_size-(filter_size-1) ”。例如,如果输入image_size为(50,50)且filter为(3,3),则(50-(3-1))= 48。但是卷积网络的输入图像的大小不应小于输入的大小,因此可以进行填充。
因此可以进行填充。
要计算填充,请输入input_size + 2 * padding_size-(filter_size-1)。对于上述情况,(50+(2 * 1)-(3-1)= 52–2 = 50)给出相同的输入大小。
如果我们想明确地想在卷积过程中对图像进行下采样,则可以定义一个跨度。
最后,要计算网络学习的参数数量(n * m * k + 1)* f.
让我们在给定的代码中看到这一点。
import kerasfrom keras.models import Modelfrom keras.layers import Input, concatenate, Conv2D, MaxPooling2D, Conv2DTranspose, Dropoutfrom keras.optimizers import Adamfrom keras.callbacks import ModelCheckpointfrom keras.utils import plot_modelfrom keras import backend as KK.set_image_data_format('channels_last') img_row = 96img_col = 96smooth = 1def create_conv_layer(f,stride,activationfn,padding,prevlayer,dropout):conv = Conv2D(f,stride,activation=activationfn,padding=padding)(prevlayer)conv = Dropout(dropout)(conv)conv = Conv2D(f,stride,activation=activationfn,padding=padding)(conv)return convdef maxpooling_fn(prevlayer):return MaxPooling2D(pool_size=(2,2))(prevlayer)def concatenate_fn(f,kernal,stride,padding,src,dest):return concatenate([Conv2DTranspose(f,kernal,strides=stride,padding=padding)(src),dest],axis=3)def dice_coef(y_true,y_pred):y_true_f = K.flatten(y_true)y_pred_f = K.flatten(y_pred)intersection = K.sum(y_true_f * y_pred_f)return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)def dice_coef_loss(y_true,y_pred):return -dice_coef(y_true,y_pred)def getnetwork():inputs = Input((img_row,img_col,1))conv1 = create_conv_layer(32,(3,3),'relu','same',inputs,0.2)pool1 = maxpooling_fn(conv1)conv2 = create_conv_layer(64,(3,3),'relu','same',pool1,0.2)pool2 = maxpooling_fn(conv2)conv3 = create_conv_layer(128,(3,3),'relu','same',pool2,0.3)pool3 = maxpooling_fn(conv3)conv4 = create_conv_layer(256,(3,3),'relu','same',pool3,0.3)pool4 = maxpooling_fn(conv4)conv5 = create_conv_layer(512,(3,3),'relu','same',pool4,0.3)pool5 = maxpooling_fn(conv5)up6 = concatenate_fn(256,(2,2),(2,2),'same',conv5,conv4)conv6 = create_conv_layer(256,(3,3),'relu','same',up6,0.3)up7 = concatenate_fn(128,(2,2),(2,2),'same',conv6,conv3)conv7 = create_conv_layer(128,(3,3),'relu','same',up7,0.3)up8 = concatenate_fn(64,(2,2),(2,2),'same',conv7,conv2)conv8 = create_conv_layer(64,(3,3),'relu','same',up8,0.3)up9 = concatenate_fn(32,(2,2),(2,2),'same',conv8,conv1)conv9 = create_conv_layer(32,(3,3),'relu','same',up9,0.3)conv10 = Conv2D(1,(1,1),activation='sigmoid')(conv9)model = Model(inputs=[inputs],outputs=[conv10])model.compile(optimizer=Adam(lr=0.00001),loss=dice_coef_loss,metrics=[dice_coef])return modelmodel = getnetwork()print(model.summary())plot_model(model, to_file='model.png')
input_1(输入层)的形状为(None,96,96,1),参数为0。在整个程序中,stride = 1,kernel_size = 2 * 2,padding = same。
卷积_1:(((kernel_size)* stride + 1)* filters)= 3 * 3 * 1 + 1 * 32 = 320个参数。在第一层中,卷积层具有32个滤镜。
Dropout_1:Dropout层不执行任何操作。它只是删除低于所述权重的节点。
Convolutional_2:由于convolutional_1已经学习了32个过滤器。所以数量该层中的可训练参数为3 * 3 * 32 + 1 * 32 = 9248,依此类推。
Max_pooling_2d:此层用于减小输入图像的大小。kernal_size =(2,2)在这里使用。因此输入图像96减少到一半48。模型从这一层学不到任何东西。
Convolutional_3: 3 * 3 * 32 + 1 * 64 = 18496,依此类推。
最后,所有的参数总结在一起。
总训练参数= 7,759,521可训练参数= 7,759,251非训练参数= 0。
Have a great day..!