神经网络参数量的计算：以UNet为例

剪辑自：https://zhuanlan.zhihu.com/p/57437131

参数量就是指，模型所有带参数的层的权重参数总量。视觉类网络组件中带参数的层，主要有：卷积层、BN层、全连接层等。（注意：激活函数层(relu等)和Maxpooling层、Upsample层是没有参数的，不需要学习，他们只是提供了一种非线性的变换，BN时对batch计算的mean和sigma也要存储，这个占空间但不算参数）

1. 理论公式部分

• 卷积层：

其中 为卷积核大小， 为输入channel数， 为输出的channel数(也是filter的数量)，算式第二项是偏置项的参数量 。(虽然一般不写偏置项，因为不会影响总参数量的数量级，但是我们为了准确起见，把偏置项的参数量也考虑进来）

• BN层： ，其中 为输入的channel数

（BN层有两个需要学习的参数，平移因子和缩放因子）

• 全连接层：

为输入向量的长度， 为输出向量的长度，其中第二项为偏置项参数量。 (不过目前全连接层已经逐渐被Global Average Pooling层取代了)

我们将以UNet为例，来实践一下参数量的计算。

2. 实践部分

我们首先摆出经典的UNet结构图。

我们把UNet共分为5个Stage，分别计算每个stage的参数量。每个stage的filter数量为[32,64,128,256,512]，相比于UNet原文，我们把UNet的channel数缩小了两倍，大多数论文也的确是这么做的。同时，我们设置UNet上采样方式为TransposeConv（转置卷积），并在每个 Conv后加入BN层。最后假定，原始输入channel为1，输出分割图为两类(含背景)，这样最终得到我们要计算参数量的UNet。

这样定义的UNet主要有四个组件， Conv， Conv，TransposeConv和BN层。

我们先计算Conv，再计算BN层。

Stage1：

Stage2：

Stage3:

Stage4:

Stage5:

TransposeConv：

目前为止，我们把以上所有Conv得到的参数量求和 ，得到了没有加BN的UNet参数量。

接下来，我们计算BN层的参数量，易得：

和刚求得的参数量求和，

加入了BN的UNet参数量为7765442。

我们得到的两种UNet的参数量，如何验证其正确性呢？或者说我们不可能每次都手动计算这些网络的参数量，这就需要脚本去帮我们去计算网络的参数量。代码如下：

def count_param(model):
    param_count = 0
    for param in model.parameters():
        param_count += param.view(-1).size()[0]
    return param_count

我们通过项目【UNet-family】中提供的脚本，可以直接使用命令python UNet.py来计算网络的参数量。通过设置参数is_batchnorm我们得到两次计算结果如下：

有BN：

没有BN：

赶快看一眼我们之前算的参数量，一模一样，说明我们算的没毛病。

有没有一种再也不怕面试官问自己参数量计算的感觉。

3. 拓展延伸

我把几种UNet变形的参数量列举如下，大家也可以自己验证。

（其中Feature Scale是指channel的scale相对于原始UNet降了几倍，如果Feature scale为2，则filter的数量为[32,64,128,256,512])

4. 留个作业可好

最后，留个小实践，大家可以去计算下UNet++的参数量，看和论文中是不是一致？

附上我自己计算的结果。

参考链接：

1. 卷积神经网络的复杂度分析
2. Batch Normalization原理与实战