【深度学习21天学习挑战赛】备忘篇：我们的神经网模型到底长啥样?——model.summary()详解

​

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