卷积神经网络中参数量的计算与模型占用显存的计算

本文转自@花花知乎用户的文章片段「七夕的礼物」: 一日搞懂卷积神经网络，详细内容请看原作者的详细描述！

以前总看见别人说某某神经网络参数量有多少，大概占用多大的显存等等描述，但心里却并不知道为什么是这么多，今天看到这篇文章，大体上有了一定的理解。

参数量的计算：

「VGG Network」，牛津大学VGG实验室设计的架构，将AlexNet的8层提高到了19层，真正让深度这个词得以充分体现。
从VGG开始，人们不再使用太大的卷积核，取而代之的是若干个小卷积核的组合。
比如，3个步长为1的3X3卷积核，可以拥有1个7X7的卷积核一样的感受野。但是，它可以使整个网络变得更深，并且更具有非线性。
同时，还能够进一步减少训练的参数量。

image

关于参数的计算，有些朋友有一些疑惑，那么下图可以帮助你理解它是如何计算的。

我们要训练的参数其实就是卷积核的参数量，这和输入和输出的特征图数量以及卷积核本身的大小有关，希望下图的列子能够帮到你。备注：仔细理解下面这张图

image

如果你理解了上图的列子，欢迎你再尝试自己计算一下VGG16的总参数量
值得一提的是，在训练的时候，因为有forward 和 backward，所以参数量要乘以2，另外一个就是网络所需要的内存，这个也是非常重要的一个指标，因为当前的GPU内存空间非常有限。可以从下图得知，在网络最开始的几层，占用的GPU内存最多，而绝大多数的参数，都来自于全连接层，这也是一个后来全局池化被运用而全连接层被减少使用的原因。