Question

我有一个简单的NN模型，用于检测使用Keras（Theano后端）在python中编写的28x28px图像的手写数字：

model0 = Sequential()

#number of epochs to train for
nb_epoch = 12
#amount of data each iteration in an epoch sees
batch_size = 128

model0.add(Flatten(input_shape=(1, img_rows, img_cols)))
model0.add(Dense(nb_classes))
model0.add(Activation('softmax'))
model0.compile(loss='categorical_crossentropy', 
         optimizer='sgd',
         metrics=['accuracy'])

model0.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch,
      verbose=1, validation_data=(X_test, Y_test))

score = model0.evaluate(X_test, Y_test, verbose=0)

print('Test score:', score[0])
print('Test accuracy:', score[1])

运行良好，我的准确度达到了90％。然后，我执行以下命令，通过执行print(model0.summary())来获取我的网络结构的摘要。这输出如下：

Layer (type)         Output Shape   Param #     Connected to                     
=====================================================================
flatten_1 (Flatten)   (None, 784)     0           flatten_input_1[0][0]            
dense_1 (Dense)     (None, 10)       7850        flatten_1[0][0]                  
activation_1        (None, 10)          0           dense_1[0][0]                    
======================================================================
Total params: 7850

我不明白他们如何获得7850总参数以及这实际意味着什么？

Answer 1

参数数量为7850，因为每个隐藏单位都有784个输入权重和一个权重与偏差连接。这意味着每个隐藏单元都会为您提供785个参数。你有10个单位，所以总计达到7850.

更新：

这个额外偏见词的作用非常重要。它显着增加了模型的容量。你可以阅读细节，例如在这里：

Role of Bias in Neural Networks

Answer 2

我将一个514维实值输入提供给Keras的Sequential模型。我的模型是按照以下方式构建的：

    predictivemodel = Sequential()
    predictivemodel.add(Dense(514, input_dim=514, W_regularizer=WeightRegularizer(l1=0.000001,l2=0.000001), init='normal'))
    predictivemodel.add(Dense(257, W_regularizer=WeightRegularizer(l1=0.000001,l2=0.000001), init='normal'))
    predictivemodel.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

当我打印model.summary()时，我得到以下结果：

Layer (type)    Output Shape  Param #     Connected to                   
================================================================
dense_1 (Dense) (None, 514)   264710      dense_input_1[0][0]              
________________________________________________________________
activation_1    (None, 514)   0           dense_1[0][0]                    
________________________________________________________________
dense_2 (Dense) (None, 257)   132355      activation_1[0][0]               
================================================================
Total params: 397065
________________________________________________________________

对于dense_1层，参数的数量是264710。这获得如下：514（输入值）* 514（第一层中的神经元）+ 514（偏差值）

对于dense_2层，参数的数量是132355。获得如下：514（输入值）* 257（第二层中的神经元）+ 257（第二层中神经元的偏差值）

Answer 3

＆＃34; none＆＃34;形状意味着它没有预定义的数字。例如，它可以是您在培训期间使用的批量大小，并且您希望通过不为其分配任何值来使其灵活，以便您可以更改批量大小。模型将根据图层的上下文推断出形状。

要获取连接到每个图层的节点，您可以执行以下操作：

for layer in model.layers:
    print(layer.name, layer.inbound_nodes, layer.outbound_nodes)

Answer 4

计算一层神经元数量的最简单方法是：参数值/（单位数* 4）

单位数量位于predictivemodel.add（Dense（514，...）
Param值是model.summary（）函数中的Param

例如在Paul Lo的答案中，一层神经元的数量是264710 /（514 * 4）= 130

Answer 5

参数数量是可以在模型中更改的数量。从数学上讲，这意味着优化问题的维度。对于程序员来说，每个参数都是一个浮点数，通常占用4个字节的内存，使您可以在保存后预测此模型的大小。

此数字的公式对于每种神经网络层类型都不同，但是对于密集层来说很简单：每个神经元具有一个偏差参数和每个输入一个权重： N = n_neurons * ( n_inputs + 1)。

Answer 6

对于密集层：

output_size * (input_size + 1) == number_parameters

对于转换层：

output_channels * (input_channels * window_size + 1) == number_parameters

考虑以下示例，

model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=input_shape),
Conv2D(64, (3, 3), activation='relu'),
Conv2D(128, (3, 3), activation='relu'),
Dense(num_classes, activation='softmax')
])

model.summary()
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 222, 222, 32)      896       
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 220, 220, 64)      18496     
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 218, 218, 128)     73856     
_________________________________________________________________
dense_9 (Dense)              (None, 218, 218, 10)      1290      
=================================================================

计算参数

assert 32 * (3 * (3*3) + 1) == 896
assert 64 * (32 * (3*3) + 1) == 18496
assert 128 * (64 * (3*3) + 1) == 73856
assert num_classes * (128 + 1) == 1290

Keras model.summary（）结果 - 理解参数数量

6 个答案: