Python 在一个简单的CNN中优化了多少参数？

好的，这里是我的CNN（教程中的简单示例）以及一些算法，以获得自由参数的总数

我们有一个28*28灰度图像（MNIST）的数据集

第一层是使用32个3x3内核的二维卷积。输出的维度是26x26x32（内核步长是1，我们有32个26x26的特征映射）运行参数计数：288

第二层是2x2 MaxPool和2x2。输出的维数是13x13x32，但我们将其展平，得到一个长度为5408的向量。这里没有额外的参数

第三层是致密的。5408x100矩阵。输出的维数为100运行参数计数：540988

第四层也是致密的。100x10矩阵。输出的维度是10运行参数计数：541988

然后我们要在541988参数空间上做随机梯度下降

这对我来说是个大得可笑的数字。这就是CNN的hello world问题。我是否在理解这是如何工作的过程中遗漏了一些基本的东西？或者也许这个数字是正确的，但对一台计算机来说，这并不是什么大不了的事

以防万一。以下是如何在Keras中构建模型：

def define_model():
    model = Sequential()
    model.add(Conv2D(32, (3,3), activation = 'relu', kernel_initializer = 'he_uniform', input_shape=(28,28,1)))
    model.add(MaxPooling2D((2,2)))
    model.add(Flatten())
    model.add(Dense(100, activation='relu', kernel_initializer='he_uniform'))
    model.add(Dense(10, activation='softmax'))
    opt = SGD(lr=0.01, momentum=0.9)
    model.compile(optimizer=opt, loss='categorical_crossentropy', metric=['accuracy'])
    return model

---

神经网络有很多参数。通常，密集之前的最后一个Conv层稍小一些，以减少参数总数。但神经网络的参数比点多也是正常的。@keiv.fly谢谢。但是，添加更多conv层如何帮助减少参数？这不就是增加参数来优化吗？您所做的只是减少输出信号的参数空间，但增加优化问题的参数空间。或者，为了真正解释我在这里的想法：您添加了另一个conv层，因此您添加了更多的内核，现在我们还需要找出所有这些额外内核的最佳形状。这没什么大不了的，我们有具有数千万到数亿个参数的神经网络，我们可以用SGD很好地训练它们。@MatiasValdenegro谢谢！那么这是否意味着我的算术和理解在计算541988这个数字时是正确的？是的，它看起来是正确的，你可以通过调用model.count_params（）来确认