Tensorflow 当仍然没有维度时，Keras如何在早期计算参数数量？

很抱歉问了一个非常基本的问题（我是Keras的新手）。我想知道Keras如何在早期阶段（拟合前）计算每一层的参数数量，尽管存在该模型。总结显示，在这一阶段，仍有维度没有值。这些值是否已经以某种方式确定，如果是，为什么不在摘要中显示它们

我问这个问题是因为我很难弄清楚我的“张量形状错误”（我试图确定我的resnet50模型的C5块的输出尺寸，但我无法在model.summary中看到它们，即使我看到了参数的数量）

下面我给出一个例子，它是基于视网膜网中的C5_还原层，由Resnet50的C5层馈电。C5_减少了

Conv2D(256,kernel_size=1,strides=1,pad=1)

基于此特定层的model.summary：

C5_reduced (Conv2D)    (None, None, None, 256)          524544 

---

我猜测C5是（无，112048），因为2048*256+256=524544（我不知道如何确认或证实这个假设）。所以，如果已经知道了，为什么不在摘要上显示呢？如果尺寸2和3不同，参数的数量也会不同，对吗？

您需要为模型定义一个输入层。在a）编译模型并向其提供数据之前，可训练参数的总数是未知的，此时模型基于输入的维度生成一个图形，然后您将能够确定参数的数量，或者b）您使用指定的输入维度为模型定义一个输入层，然后可以使用model.summary（）找到参数的数量

---

关键是，在定义输入层和第一个隐藏层之前，模型无法知道输入层和第一个隐藏层之间的参数数量，或者您运行推断并为其提供输入的形状。

您需要为模型定义一个输入层。在a）编译模型并向其提供数据之前，可训练参数的总数是未知的，此时模型基于输入的维度生成一个图形，然后您将能够确定参数的数量，或者b）您使用指定的输入维度为模型定义一个输入层，然后可以使用model.summary（）找到参数的数量

---

关键是，在定义输入层和第一个隐藏层之前，模型无法知道输入层和第一个隐藏层之间的参数数量，或者您运行推断并为其提供输入的形状。

如果您将精确的输入形状传递给网络上的第一层或输入层，您将获得所需的输出。例如，我在这里使用了输入层：

input_1 (InputLayer)         [(None, 224, 224, 3)]     0         
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792      
_________________________________________________________________
block1_conv2 (Conv2D)        (None, 224, 224, 64)      36928     

将输入传递为（224,3）。3表示此处的深度。请注意，卷积参数的计算不同于致密层的计算

如果您执行以下操作：

tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(150, 150, 3))

你会看到：

conv2d (Conv2D) ---> (None, 148, 148, 16)    

尺寸减小到148x148，在Keras中，默认情况下填充是有效的。另外，

strips

为1。然后输出的形状将是148x148。（您可以搜索公式。）

那么什么是None值呢

• 第一个None值是批量大小。在Keras中，第一个维度是批量大小。可以传递它们并进行修复，也可以在拟合模型或预测时确定它们
• 在二维卷积中，预期输入为（批量大小、高度、宽度、通道），也可以具有（无、无、无、3）等形状，这意味着允许不同的图像大小

编辑：

产生：

conv2d_21 (Conv2D)           (None, None, None, 16)    448       

关于您的问题，即使我们将图像高度和宽度传递为无，参数是如何计算的

根据以下公式计算的卷积参数：

(filter_height * filter_width * input_image_channels + 1) * number_of_filters

当我们把它们放入公式中

filter_height = 3
filter_width = 3
input_image_channel = 3
number_of_filters = 16

参数=（3x3x3+1）*16=28*16=448

注意，我们只需要输入_图像的通道号3，表示它是RGB图像

如果你想为后面的卷积计算PARAMs，你需要考虑的是前一层的滤波器数量成为当前层通道的数量。

---

这就是为什么您可以使用无参数而不是批量大小。在这种情况下，Keras需要知道您的图像是否为RGB。或者，您在创建模型时不会指定尺寸，可以在使用数据集拟合模型时传递尺寸。

如果您将精确的输入形状传递到网络上的第一层或输入层，您将获得所需的输出。例如，我在这里使用了输入层：

input_1 (InputLayer)         [(None, 224, 224, 3)]     0         
_________________________________________________________________
block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792      
_________________________________________________________________
block1_conv2 (Conv2D)        (None, 224, 224, 64)      36928     

将输入传递为（224,3）。3表示此处的深度。请注意，卷积参数的计算不同于致密层的计算

如果您执行以下操作：

tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(150, 150, 3))

你会看到：

conv2d (Conv2D) ---> (None, 148, 148, 16)    

尺寸减小到148x148，在Keras中，默认情况下填充是有效的。另外，

strips

为1。然后输出的形状将是148x148。（您可以搜索公式。）

那么什么是None值呢

• 第一个None值是批量大小。在Keras中，第一个维度是批量大小。可以传递它们并进行修复，也可以在拟合模型或预测时确定它们
• 在二维卷积中，预期输入为（批量大小、高度、宽度、通道），也可以具有（无、无、无、3）等形状，这意味着允许不同的图像大小

编辑：

产生：

conv2d_21 (Conv2D)           (None, None, None, 16)    448       

关于您的问题，即使我们将图像高度和宽度传递为无，参数是如何计算的

根据以下公式计算的卷积参数：

(filter_height * filter_width * input_image_channels + 1) * number_of_filters

当我们把它们放入公式中

filter_height = 3
filter_width = 3
input_image_channel = 3
number_of_filters = 16

参数=（3x3x3+1）*16=28*16=448

注意，我们只需要输入_图像的通道号3，表示它是RGB图像

如果你想计算