​

活动地址：CSDN21天学习挑战赛

学完手写识别和服装分类 
    
    
    
，想稍微停下来消化一下新学的东西
     


     


     


   ，也总结一下 




 




 




 

，今天就从keras的model.summary()输出开始吧！

1    
    
    
   、model.summary()是什么

构建深度学习模型 

   

   

   

，我们会通过model.summary()输出模型各层的参数状况


     

     

     

  ，已我们刚刚学过的模型为例：

这里可以看出  




  




  




  
，model.summary()打印出的内容 


  


  


  


，是和我们构建模型的层级关系是一样
     
     
     
 ，服装分类模型为例： #构建模型代码 model = models.Sequential([ layers.Conv2D(32, (3, 3), activation=relu, input_shape=(28, 28, 1)), #卷积层1   




   




   




   ，卷积核3*3 layers.MaxPooling2D((2, 2)), #池化层1 



 



 



 



，2*2采样 layers.Conv2D(64, (3, 3), activation=relu), #卷积层2               ，卷积核3*3 layers.MaxPooling2D((2, 2)), #池化层2
    




    




    




    ，2*2采样 layers.Conv2D(64, (3, 3), activation=relu), #卷积层3


















，卷积核3*3 layers.Flatten(), #Flatten层                ，连接卷积层与全连接层 layers.Dense(64, activation=relu), #全连接层
     



     



     



    ，特征进一步提取 layers.Dense(10) #输出层

















，输出预期结果 ])

2  


     


     


     

、model.summary()输出含义

仍以服装分类模型为例：

Model: "sequential_2" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d_6 (Conv2D) (None, 26, 26, 32) 320 #创建： layers.Conv2D(32, (3, 3), activation=relu, input_shape=(28, 28, 1)), #卷积层1 
    
    
    
，卷积核3*3 _________________________________________________________________ max_pooling2d_4 (MaxPooling2 (None, 13, 13, 32) 0 #创建：layers.MaxPooling2D((2, 2)), #池化层1
     


     


     


   ，2*2采样 _________________________________________________________________ conv2d_7 (Conv2D) (None, 11, 11, 64) 18496 #创建：layers.Conv2D(64, (3, 3), activation=relu), #卷积层2 




 




 




 

，卷积核3*3 _________________________________________________________________ max_pooling2d_5 (MaxPooling2 (None, 5, 5, 64) 0 #创建：layers.MaxPooling2D((2, 2)), #池化层2 

   

   

   

，2*2采样 _________________________________________________________________ conv2d_8 (Conv2D) (None, 3, 3, 64) 36928 #创建：layers.Conv2D(64, (3, 3), activation=relu), #卷积层3
     

     

     

  ，卷积核3*3 _________________________________________________________________ flatten_2 (Flatten) (None, 576) 0 #创建：layers.Flatten(), #Flatten层  




  




  




  
，连接卷积层与全连接层 _________________________________________________________________ dense_4 (Dense) (None, 64) 36928 #创建：layers.Dense(64, activation=relu), #全连接层 


  


  


  


，特征进一步提取 _________________________________________________________________ dense_5 (Dense) (None, 10) 650 #创建：layers.Dense(10) #输出层
     
     
     
 ，输出预期结果 ================================================================= Total params: 93,322 Trainable params: 93,322 Non-trainable params: 0 _________________________________________________________________

Param：该层输入参数个数

   




   




   




   ， 那这个数字是怎么来的呢？

a


 




 




 




、卷积层参数个数的计算公式

：（卷积核长度*卷积核宽度*通道数+1）*卷积核个数

例：

第一个卷积层：(3*3*1+1)*32 = 320

第二个卷积层：(3*3*32+1)*64 = 18496

第三个卷积层：(3*3*64+1)*64 = 36928

b   

   

   

  、全连接层参数个数的计算公式

： （输入数据维度+1）* 神经元个数

例：

输出层之前的全连接层：（64+1）*10=650

这里之所以要加1 



 



 



 



，因为每个神经元都有一个偏置（Bias）    
    
    
   。

Output Shape ：该层输出数据形状

Total params: 模型参数总数               ，每层参数累加

Trainable params: 模型可训练参数

Non-trainable params:模型不可训练参数

3   

     

     

     
、理解模型流程形状

通过model.summary()
    




    




    




    ，我们再看这个图


















，就清楚多了