Python 批量规格化中的参数数,轴为3 这是我从Andrew Ng深入学习专业课程中找到的代码:
def HappyModel(输入_形状): 首先,为什么我们在批量标准化中使用axis=3Python 批量规格化中的参数数,轴为3 这是我从Andrew Ng深入学习专业课程中找到的代码:,python,tensorflow,keras,deep-learning,Python,Tensorflow,Keras,Deep Learning,def HappyModel(输入_形状): 首先,为什么我们在批量标准化中使用axis=3 图层(类型)输出形状参数# 输入_1(输入层)(无、64、64、3)0 零填充2D_1(零填充(无,70,70,3)0 conv0(Conv2D)(无、64、64、32)4736 bn0(批标准化)(无、64、64、32)128 激活1(激活)(无、64、64、32)0 最大池(最大池2D)(无、32、32、32)0 展平1(展平)(无,32768)0 fc(密集型)(无,1)32769
图层(类型)输出形状参数# 输入_1(输入层)(无、64、64、3)0
零填充2D_1(零填充(无,70,70,3)0
conv0(Conv2D)(无、64、64、32)4736
bn0(批标准化)(无、64、64、32)128
激活1(激活)(无、64、64、32)0
最大池(最大池2D)(无、32、32、32)0
展平1(展平)(无,32768)0
fc(密集型)(无,1)32769 我把这个作为模型总结,但我想知道我们如何在批量标准化中得到128个参数
X_input = Input(input_shape)
X = ZeroPadding2D((3,3))(X_input)
X = Conv2D(32, (7, 7), strides=(1, 1), name='conv0')(X)
X = BatchNormalization(axis = 3, name= 'bn0')(X)
X = Activation('relu')(X)
X = MaxPool2D((2, 2), name = 'max_pool')(X)
X = Flatten()(X)
X = Dense(1, activation='sigmoid', name='fc')(X)
model = Model(input = X_input, outputs = X, name='HappyModel')
return model