CNN 파라미터 개수 계산 (예제)

1. Convolution Layer1

입력 shape = (39, 31, 1)

입력 채널 = 1

필터 = (4, 4)

출력 채널 = 20

stride = 1

이 레이어의 학습 파라미터는 320개(4*4*20*1)

 

RowSize = (shape[0]-shape[1])/stride+1 = (39-4) / 1 +1= 36

ColumnSize = (31-4)/1 +1 = 28

 

따라서 출력 데이터의 Shape는 (36, 28, 20)이 된다.

 

2 Max Pooling Layer1

입력 데이터의 Shape는 (36, 28, 20)이다.

Max Pooling Layer에서 학습 파라미터는 없다.

 

OutputRowSize = InputRowSize / PoolingSize=36/2=18

OutputColumnSize = InputColumnSize / PoolingSize=28/2=14

 

따라서 출력 데이터의 Shape은 (18, 14, 20)이 된다.

 

3. Convolution Layer2

입력 Shape = (18, 14, 20)

입력 채널 = 20

필터 = (3, 3)

출력 채널 = 40

Stride = 1

이 레이어의 학습 파라미터는 7200개(20*3*3*40)

 

RowSize = (18-3)/1 +1 = 16

ColumnSize = (14-3)/1+1 = 12

따라서 출력 Shape는 (16, 12, 40)이 된다.

 

4. Max Pooling Layer2

입력 데이터의 shape는 (16, 12, 40)이다.

Max Pooling Layer에서는 학습 파라미터가 없다.

OutputRowSize=16/2 = 8

OutputColumnSize=12/2 = 6

따라서 출력 데이터의 Shape는 (8, 6, 40)이다.

 

 

5. Convolution Layer3

입력 데이터 Shape = (8, 6, 40)

입력 채널 = 40

필터 = (3, 3)

출력 채널 = 60

Stride = 1

이 레이어의 학습 파라미터는 21,600개(40*3*3*60)

RowSize = (8-3)/1+1 = 6

ColumnSize = (6-3)/1+1 = 4

 

따라서 출력의 Shape는 (6, 4, 60)이 된다.

 

6. Max Pooling Layer2

입력 데이터의 shape는 (6, 4, 60)이다.

출력 데이터의 Shape는 (3, 2, 60)이다.

Max Pooling Layer에서는 학습 파라미터가 없다.

 

7. Convolution Layer 4

입력 데이터 Shape = (3, 2, 60)

입력 채널 = 60

필터 = (2, 2)

출력 채널 = 80

Stride = 1

이 레이어의 학습 파라미터는 19,200개(60*2*2*80)

RowSize = (3-2)/1+1 = 2

ColumnSize = (2-2)/1+1 = 1

 

따라서 출력의 Shape는 (2, 1, 80)이 된다.

 

8. Flatten Layer의 Shape

입력 데이터 = (2, 1, 80)

출력 데이터 = (160, 1)

이 레이어의 파라미터는 없다.

 

8. Dense layer

160*(Dense layer의 뉴런 수)=160*n

 

❗원래는 여기에 bias 파라미터도 더해줘야한다. 즉, 160*n+n개가 되어야 하지만, 현재 bias는 없다고 가정했기 때문에 160*n으로 마무리한다.

 

 

✨Total number of trainable parameters: 320+7,200+21,600+19,200+160*n=48,320+160*n