深度网络的参数量的计算

https://blog.csdn.net/weixin_39875161/article/details/88364442

 

vgg网络的一些问题

深度网络的参数量的计算 2019-03-09 12:19:58 深度网络的参数量的计算 1112 深度网络的参数量的计算 收藏 4 分类专栏: 网络架构 版权

深度网络的参数量的计算

填充方式为 1 为same ,0为为vaild

下面算一下每一层的像素值计算,说明下,激活函数为Relu: 
输入:224*224*3 
第1层: conv3 - 64(3通道,64个卷积核):kernel size:3 stride:1 pad:1  # 卷积核尺寸3 步长为1
    像素:(224-3+2*1)/1+1=224       输出: 224*224*64 
    参数:(3*3*3)*64 =1728 
第2层:conv3 - 64:kernel size:3 stride:1 pad:1 
    像素: (224-3+1*2)/1+1=224       输出: 224*224*64 
    参数: (3*3*64)*64 =36864 
             maxpool2   kernel size:2 stride:2 pad:0  
    像素: (224-2+2×0)/2 = 112   输出:112*112*64 
    参数: 0 
 第3层:conv3-128:kernel size:3 stride:1 pad:1 
    像素: (112-3+2*1)/1+1 = 112   输出:112*112*128 
    参数: (3*3*64)*128 =73728 
 第4层:conv3-128:kernel size:3 stride:1 pad:1 
    像素: (112-3+2*1)/1+1 = 112   输出:112*112*128 
    参数: (3*3*128)*128 =147456 
              maxpool2: kernel size:2 stride:2 pad:0 
    像素: (112-2+2×0)/2+1=56   输出: 56*56*128 
    参数:0 
 第5层:conv3-256: kernel size:3 stride:1 pad:1 
    像素: (56-3+2*1)/1+1=56  输出:56*56*256 
    参数:(3*3*128)*256=294912 
 第6层:conv3-256: kernel size:3 stride:1 pad:1 
    像素: (56-3+2*1)/1+1=56 输出: 56*56*256 
    参数:(3*3*256)*256=589824 
 第7层.conv3-256: kernel size:3 stride:1 pad:1 
    像素: (56-3+2*1)/1+1=56  输出:56*56*256 
    参数:(3*3*256)*256=589824 
           maxpool2: kernel size:2 stride:2 pad:0 
     像素:(56 - 2+2×0)/2+1=28   输出: 28*28*256 
     参数:0 
  第8层: conv3-512:kernel size:3 stride:1 pad:1 
 像素:(28-3+2*1)/1+1=28   输出:28*28*512 
 参数:(3*3*256)*512 = 1179648 
  第9层: conv3-512:kernel size:3 stride:1 pad:1 
 像素:(28-3+2*1)/1+1=28  输出: 28*28*512 
 参数:(3*3*512)*512 = 2359296 
第10层: conv3-512:kernel size:3 stride:1 pad:1 
 像素:(28-3+2*1)/1+1=28   输出:28*28*512 
 参数:(3*3*512)*512 = 2359296 
          maxpool2: kernel size:2 stride:2 pad:0 
 像素:(28-2+2×0)/2+1=14   输出:14*14*512 
 参数: 0 
 第11层: conv3-512:kernel size:3 stride:1 pad:1 
 像素:(14-3+2*1)/1+1=14   输出:14*14*512 
 参数:(3*3*512)*512 = 2359296 
  第12层 conv3-512:kernel size:3 stride:1 pad:1 
 像素:(14-3+2*1)/1+1=14   输出:14*14*512 
 参数:(3*3*512)*512 = 2359296 
第13层: conv3-512:kernel size:3 stride:1 pad:1 
 像素:(14-3+2*1)/1+1=14   输出:14*14*512 
 参数:(3*3*512)*512 = 2359296 
         max pool2:kernel size:2 stride:2 pad:0 
 像素:(14-2+2×0)/2+1=7    输出:7*7*512 
 参数:0 
 第14层:FC: 4096 neurons 
 像素:1*1*4096 
 参数:7*7*512*4096 = 102760448 
 第15层:FC:  4096 neurons 
 像素:1*1*4096 
 参数:4096*4096 = 16777216 
 第16层:FC:1000 neurons 
 像素:1*1*1000 
 参数:4096*1000=4096000

 

上一篇:轻量模型之Mobilenet


下一篇:kvm虚拟机热添加技术以及热迁移