Python 计算CNN层

我为我参与的一个项目创建了一个CNN，我需要展示它。问题是，我不确定如何计算层数

这是我的模型：

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12：

所以我用了1个输入10个隐藏1个输出层

或

---

当计算美国有线电视新闻网网络的深度时，我们只需要考虑具有可调整/可训练的权重/参数的层，就需要将它们作为一个组来计算，并称为1输入2隐藏1输出。在CNN中，只有卷积层和完全连接层具有可训练的参数。如果你想标签层只考虑卷积，全连接和输出层（VAL2D和密集）。

---

最大池层通常与卷积层一起作为一个层。

只需写12层，无需谈论输入层或隐藏层，这些概念有点像Obsoleteoh我明白了，谢谢：）命名约定省略了网络中的输入层，因此您的体系结构可以有11层。为了了解更多，我们只计算卷积层和密集层。例如，VGG-16被描述为具有16个权重层的网络。您的网络是一个4层网络（2 CONV + 2 FC）。严格地说，BATNHORM层中有一些可训练的参数，但是我们不计数BN层：）是的，即使我们在批处理标准化中有可训练的伽马和Beta参数，我们也不认为它是一个层。这是一种激活值的标准化技术