统计卷积神经网络层数

Question

我参与了一个项目，创建了一个卷积神经网络（CNN），现在需要对其进行演示。问题是，我不确定如何计算层数。

下面是我的模型：

model = Sequential()
model.add(Conv2D(64,(3,3), input_shape = (40,40,2)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(64,(3,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))


model.add(Dense(1600))
model.add(Reshape((40,40)))
model.add(Activation('sigmoid'))

model.compile(loss='MSE',
             optimizer='SGD',
             metrics=['MAE'])

len（model.layers）返回了12：

所以我使用了1个输入层，10个隐藏层和1个输出层，

或者

我需要将它们分组并表示为1个输入层，2个隐藏层和1个输出层？

- Olca Orakcı

---

只需写出12层，无需谈论输入或隐藏层，这些概念有点过时了。 - Dr. Snoopy

哦，我明白了，谢谢 :) - Olca Orakcı

命名约定在网络中省略了输入层，因此您的架构可以有11层。要了解更多，请参见http://cs231n.github.io/neural-networks-1/。 - mlneural03

在常见的做法中，我们只计算卷积层和全连接层。例如，在VGG-16论文中，VGG-16被描述为一个具有16个权重层的网络。而你的网络是一个4层网络（2个卷积层+2个全连接层）。 - huangbiubiu

Answer 1

在计算CNN网络的深度时，我们只考虑具有可调/可训练权重/参数的层。在CNN中，只有卷积层和全连接层才具有可训练的参数。如果您想标记层，请仅考虑卷积层、完全连接层和输出层（Conv2D和Dense）。 池化层通常与卷积层一起作为一个层处理。

- Ranmal Dewage

---

严格来说，batchnorm层中有一些可训练的参数，但我们也不计算bn层 :) - huangbiubiu

是的，即使在批量归一化中我们有可训练的伽马和贝塔参数，但我们不认为它是一个层。它是一种用于激活值的归一化技术。 - Ranmal Dewage