[図解]ディープラーニングのパラメーター数ってどうやって数えるんだっけという人へ

パラメータ数の計算まとめ

NN , CNN , Embedding , SimpleRNN, LSTM, GRU

#CNN, NN(Dense)

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu',
                        input_shape=(150, 150, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(GlobalAveragePooling2D())
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

＊ MaxPooling2Dは2*2の範囲ごとの最大値を取るだけのためパラメーターなし
＊ GlobalAveragePooling2Dは各チャンネルの平均を取るだけのためパラメーターなし

#Conv2D(１つ目）
3 * 3 * 3 * 32 + 32 = 896

フィルターの縦 * フィルターの横 * 入力のチャンネル数 * 出力のチャンネル数 + バイアス(1チャンネルごとに1つ)

#Conv2D(２つ目）
3 * 3 * 32 * 64 + 64 = 18496

フィルターの縦 * フィルターの横 * 入力のチャンネル数 * 出力のチャンネル数 + バイアス(1チャンネルごとに1つ)
##図解

#Dense
128 * 32 + 32 = 4128

入力ユニット数 * 出力ユニット数 + バイアス（出力1ユニットごとに1つ）
シンプルなニューラルネットワーク, バイアスを忘れずに
##図解

#Embedding , SimpleRNN, LSTM, GRU

model = Sequential()
model.add(Embedding(4000,32,input_length=20))
model.add(LSTM(64))
#model.add(SimpleRNN(64))
#model.add(GRU(64))
model.add(Dense(3))
model.add(Activation("softmax"))

#Embedding
4000 * 32 = 128000

・Embedding層は全結合層だが、バイアスはない
・ワンホットベクトルを小さな（密な）ベクトルに変換するための層

##図解

#SimpleRNN
32 * 64 + 64 * 64 + 64 = 6208

・入力に対しての重み
入力の次元数ｘ隠れ状態の次元数　
→　32*64

・隠れ状態に対しての重み
隠れ状態の次元数 x 隠れ状態の次元数
→　64*64

・バイアス
隠れ状態の次元数
→　64

##図解

#LSTM
32 * 64 * 4 + 64 * 64 * 4 + 64 * 4 = 24832

・入力に対しての重み
入力の次元数 * 隠れ状態の次元数 * 4 　　　(forgetに１つ、inputに2つ、outputに1つ)
→　32 * 64 * 4

・隠れ状態に対しての重み
　隠れ状態（記憶セル）の次元数 * 隠れ状態の次元数 * 4　　　(forgetに１つ、inputに2つ、outputに1つ)
→　64 * 64 * 4

・バイアス
隠れ状態の次元数 * 4 　　　　　(forgetに１つ、inputに2つ、outputに1つ)
→　64 * 4

##図解

#GRU
32643 + 64643 + 64*3 = 18624

・入力に対しての重み
入力の次元数 * 隠れ状態の次元数 * 3 　　　(リセットゲートで1つ、更新ゲートで2つ)
→　32 * 64 * 3

・隠れ状態に対しての重み　
隠れ状態の次元数 * 隠れ状態の次元数 * 3　　 (リセットゲートで1つ、更新ゲートで2つ)
→　64 * 64 * 3

・バイアス
隠れ状態の次元数 * 3　　 (リセットゲートで1つ、更新ゲートで2つ)
→　64 * 3

##図解