Keras-CNN模型参数计算

我的cnn模型是使用Keras 1.1.1创建的，它有两个卷积池层，后面是两个密集层，在第二个卷积池层和第一个密集层之后添加了dropout。代码如下：

model=Sequential（）
#卷积池层
添加（卷积2D（32,5,5，输入形状=输入形状））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
模型添加（卷积2D（64,5,5））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学率（0.25））
#致密层
model.add（展平（））
模型.添加（密度（100））
添加（激活（'relu'））
模型。添加（辍学率（0.5））
模型。添加（（密集（2）））
添加（激活（'softmax'））
#优化器
sgd=sgd（lr=1e-3，衰变=1e-6，动量=0.9，nesterov=True）
model.compile（loss='classifical_crossentropy'，
优化器=新加坡元，
指标=[‘准确度’]）
打印model.summary（）

模型汇总表如下所示：

我不清楚如何计算第二卷积层（即，由红色矩形指示的51264）的参数数量。我认为这个数字应该是（5*5+1）*64=1664，因为卷积内核的大小是5*5，需要提取64个特征映射

---

此外，我已经实现了辍学。为什么参数表没有反映这一点。虽然表中列出了缺失（层），但似乎给出了没有缺失的参数编号。任何人都可以帮我解释参数摘要吗？

这是一个非常简单的基本概念计算。通过查看您的代码和模型摘要，这是我的步骤

步骤1:计算参数的公式

总参数=
（过滤器高度*过滤器宽度*输入图像通道+1）*过滤器数量

步骤2:计算第一层的参数

过滤器高度=5

，

filter\u weight=5

，

input\u image\u channels=1

过滤器的数量=32

虽然你还没有向我们提供输入 图像通道，但我通过你的参数值计算出来

现在，我们将计算第一个conv层的参数数量

总参数=（5*5*1+1）*32=832

第3步：同样，我们可以计算第二个conv层请注意，前一层的过滤器数量将成为当前层输入图像的通道数量。

过滤器高度=5

，

filter\u weight=5

，

input\u image\u channels=32

过滤器的数量=64

现在，我们将计算第二个conv层的参数数量

总参数=（5*5*32+1）*64=51264

---

关于问题的第二部分：

---

辍学层在训练期间随机禁用神经元。它们仍然存在于模型中，因此不会从模型摘要中的参数数量中扣除。

在创建网络后键入模型。计算参数（）。

关于退出：这会在训练期间随机禁用神经元。它们仍然存在于您的模型中，因此不会从模型摘要中的参数数量中扣除。我认为您是对的谢谢！这是有道理的Hey@jingweimo，如果我的回答有道理的话，你能接受它吗。@blitu12345谢谢你的回答，你知道我们为什么加1吗？@Ramibiases@Rami例如，如果它是

卷积2D（32,5,5，input\u shape=input\u shape，bias=False）

则不添加1。默认情况下，这是真的。