机器学习入门（四）：关于卷积运算量和参数数量的计算

卷积层的运算量公式

num(MAC)=I*J*M*N*K*L

I J 为卷积核大小

M N为卷积之后输出特征的大小

K表示输入通道个数

L表示输出通道个数（这里的通道数可以理解为单样本特征图的个数）

以lenet中的参数为示例：

layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
name: "conv2"
type: "Convolution"
bottom: "pool1"
top: "conv2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 50
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}输出通道数为50，对应公式中的L，卷积核尺寸为5，对应I和J，conv1层经过池化之后通道数应该不变，还是20，所以K为20，输出特征图的大小如何确定？1是查看之前的层，根据网络描述文件一步步的计算得到，2是查看训练的日志文件，在setup conv2层之后，会输出这一层的blob shape,第一维为batchsize,第二维为通道数，第三维第四维代表输入特征图大小M和N，因为这里计算的是单样本的运算量，所以和batchsize没有关系。
此时，MAC=5*5*8*8*50*20.

注意：输入通道数为K，输出通道数为L，那么卷积核个数为K*L。因为高维卷积计算是多个通道与多个卷积核分别进行二维计算，所以K个通道会需要K个卷积核，计算之后，合并也就是相加得到一个通道，又因为输出通道为L，所以需要K*L个卷积核。

然后就是如何求解参数数量？

其实很简单，就是卷积核个数乘以卷积核尺寸，para=I*J*K*L。

同理可以计算全连接。