如何在python中检查神经网络的层数，以及何时增加层数？_Python_Tensorflow_Machine Learning_Keras_Deep Learning

如何在python中检查神经网络的层数，以及何时增加层数？

python tensorflow machine-learning keras deep-learning

如何在python中检查神经网络的层数，以及何时增加层数？,python,tensorflow,machine-learning,keras,deep-learning,Python,Tensorflow,Machine Learning,Keras,Deep Learning,请对您的想法添加最低限度的评论，以便我可以改进我的查询。谢谢我正在处理MNIST数据集，并编写一些CNN代码。然而，我对CNN的一些要点感到困惑。如何知道神经网络的层数？根据我目前的理解，我认为这有6层和4个隐藏层。是这样吗？如果我需要扩展到10层呢？怎么做 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Conv2D, Dropout, Flatten, Ma

请对您的想法添加最低限度的评论，以便我可以改进我的查询。谢谢

我正在处理

MNIST

数据集，并编写一些

CNN

代码。然而，我对CNN的一些要点感到困惑。如何知道神经网络的层数？根据我目前的理解，我认为这有6层和4个隐藏层。是这样吗？如果我需要扩展到10层呢？怎么做

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Dropout, Flatten, MaxPooling2D

model = Sequential()
model.add(Conv2D(28, kernel_size=(3,3), 
                    input_shape = ...))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(128, activation=tf.nn.relu))
model.add(Dropout(0.2))
model.add(Dense(10, activation=tf.nn.softmax))

在计算神经网络的层数时，我们通常只计算卷积层和完全连接层。池层和卷积层一起被计算为一个层，而退出是一种正则化技术，所以它也不会被计算为一个单独的层

作为参考，VGG16模式定义为16层模型。这16层只是卷积层和完全连接的致密层。如果您计算所有池和激活层，它将更改为41层模型，而实际情况并非如此。参考文献：

根据你的代码，你有3层（1个卷积层有28个神经元，1个完全连接层有128个神经元，1个完全连接层有10个神经元）

至于使其成为10层网络，您可以在输出层之前添加更多的卷积层或密集层，但对于MNIST数据集来说这是不必要的。

如果您打印模型的

.summary（）

，您将得到

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 26, 26, 28)        280       
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 13, 13, 28)        0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 4732)              0         
_________________________________________________________________
dense (Dense)                (None, 128)               605824    
_________________________________________________________________
dropout (Dropout)            (None, 128)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 10)                1290      
=================================================================
Total params: 607,394
Trainable params: 607,394
Non-trainable params: 0

print(len(model.layers)) # 6

正如您所见，您构建了一个包含6层的深度神经网络-其中一些是
可训练的
层，一些是
不可训练的
层。因此，如果有人问你模型的层数，答案只会是6

还有，如何扩展或添加更多层。这很简单，就像往玻璃杯里加水一样。像这样

import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import (Dense, Conv2D, Dropout, Flatten, MaxPooling2D, BatchNormalization) model = Sequential() model.add(Conv2D(16, kernel_size=(3,3), input_shape = (28,28,1))) model.add(Conv2D(32, kernel_size=(3, 3), activation="relu")) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(64, kernel_size=(3, 3), activation="relu")) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten()) model.add(Dense(128, activation=tf.nn.relu)) model.add(BatchNormalization()) model.add(Dropout(0.2)) model.add(Dense(10, activation=tf.nn.softmax)) model.summary() print(len(model.layers)) # 10
现在，注意这一点，尽管使用
tf。Kalas <代码>（或另一个框架，如<代码> PyPrase<代码>），我们可以很容易地做这些事情，但是我们应该考虑我们正在做什么和做什么。我不会对此做太多描述，因为这超出了这个问题的范围。但我强烈建议您检查tf。keras 官方术语隐藏层只是早期经常使用的命名约定（AFAIK），主要是在完全连接的层（在CNN 之前）。这就是为什么为了简单起见，我会说，忘掉这个术语。我们应该将一个层称为可培训的和不可培训的，这现在更有意义了在您的模型中，第一个CNN （可培训层），第二个MaxPool2D （不可培训），第三个展平（不可培训），第四个密集（可培训），第五个辍学（不可培训），最后是第六个密集（可培训）。您还可以在模型中看到Param# 列。summary（），那些是不可训练层的人，他们的参数是零-该层中没有可训练变量。比如说，在您的模型中，第一层表示为 model.add(Conv2D(28, kernel_size=(3,3), input_shape = ...)) 无论预期的输入\u形状是什么，在输入上通过3 x 3 大小过滤器（总计28 ），然后进行卷积并生成一些特征图。因此，在这一层的末尾，我们将得到总共28个特征图。下一层 model.add(MaxPooling2D(pool_size=(2,2))) 这仅仅是将那些28 特征映射的最大值汇集在一起，而不是别的。所以没有计算操作-这就是为什么不可训练的参数隐藏层仅指在深层神经网络中位于输入层和输出层之间的层。但是在您的模型中，第一层是Conv2D ，它是一个隐藏层，而不是输入层。这里，当我们将input\u shape 参数传递给第一个Conv2D 层时，输入层隐式存在。因此，如果我们具体采用隐藏层命名约定，我们可以说，在您的模型中，存在5隐藏层（从第一个Conv2D 到退出）。输入层隐式存在，输出层是最后一个密集的层。数据集中的层数是什么意思？你能澄清一下吗？像输入层+隐藏层+输出层这样的层数数据集没有层，这就是为什么人们被你的问题弄糊涂了。哦，对不起。。我的意思是卷积网络的层数假设有人问我上面的模型有多少层，答案是什么？是6吗？谢谢，伙计。它真的很有用：）你说1个卷积层有28个神经元。。。但使用“展平”后，它不是变成了728[28*28]个神经元吗？@AntonyJoy卷积层仅由28个神经元组成，然后将其转换为一维数组，作为下一层的输入。@AntonyJoy如果你听说过VGG16模型，它被定义为16层模型。这16层只是卷积层和完全连接的致密层。如果您计算所有池和激活层，它将更改为41层模型，而实际情况并非如此。我附上一些链接供您参考。希望你能澄清这一点。非常感谢你，伊纳特先生：）。。。第一层是卷积层，第二层是maxpool，第三层是falten，等等，对吗？最大化池和展平层不是隐藏层吗？谢谢和问候：）更新了答案，请看。