cnn卷积参数量和计算量
卷积层的参数量一个3×3的卷积核，filter_size为9。公式：参数量=filer_size×(前一个feature map通道数)×filter数量举例：conv1：输入 224×224×3，64个 3×3 filter，输出feature map 224×224×64参数量=3×3×3×64=1728卷积层的计算量公式：计算量=filter数量×输出feature map像素数仍然以上面c
·
卷积层的参数量
一个3×3的卷积核，filter_size为9。
公式：参数量=filer_size×(前一个feature map通道数)×filter数量
举例：
conv1：输入 224×224×3，64个 3×3 filter，输出feature map 224×224×64
参数量=3×3×3×64=1728
卷积层的计算量
公式：计算量=filter数量×输出feature map像素数
仍然以上面conv1为例:
输出feature map上的每一个像素都是由filter与输入feature map相乘得到的，即3×3×3,共有64个filter。
计算量=3×3×3×64×224×224×64
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
2
0- 0
已为社区贡献1条内容
所有评论(0)