(1)卷积层
卷积层的参数就是卷积核的总数加上偏置数,例如⼀个14* 14* 6 (6为通道数)的特征图,经过5* 5* 16的卷积核,那么这层的参数为5* 5* 16* 6+16=2416个参数(注意要乘上⼀层的通道数)。 猫课堂实录(2)池化层
池化层很有意思的特点就是,它有⼀组超参数,但并没有参数需要学习。实际上,梯度下降没有什么可学的,⼀旦确定了kernel的stride,它就是⼀个固定运算,梯度下降⽆需改变任何值。 (3)全连接层
全连接也有偏置的,例如⼀个5* 5* 16 (16是通道数)的特征图后⾯接⼀个120个节点的全连接层,那么这层全连接层的参数总共为5* 5* 16*120+120 =48120个参数。
一般等价物附上pytorch打印出来的参数值:
加雷沙星params = list(net.parameters())
print(len(params))
for i in range(10):
print(params[i].size())bbc全景
输出:
10
torch.Size([6, 1, 5, 5])
torch.Size([6])
torch.Size([16, 6, 5, 5])
马延春torch.Size([16])
torch.Size([120, 400])
torch.Size([120])
torch.Size([84, 120])
torch.Size([84])
广西北部湾新闻
torch.Size([10, 84])
torch.Size([10])