深度学习进阶文档深度页

CNN 张量形状与参数量

系统计算 NCHW、卷积/池化输出、Flatten 和 Linear 参数量。

学习目标

逐层手算形状
计算卷积参数
用随机张量断言

为什么需要这个概念

多数 CNN 报错来自通道衔接和 Linear in_features 计算错误。

避免形状错误
估算模型容量

学习前需要掌握

卷积操作池化内容待补充

背景与问题

多数 CNN 报错来自通道衔接和 Linear in_features 计算错误。

概念定义

普通层通常保留 N；Conv 改 C 和空间；池化改空间；Flatten 合并 C/H/W。

直观理解

每经过一层都记账：N 看输入，C 看 out_channels，H/W 用公式。

核心原理

Conv 参数与 H/W 无关，Linear 参数与展平维度强相关。

手算后必须用随机张量、打印和 assert 验证。

数学表达

核心公式

p a r am s_{co n v} = C_{o u t} (C_{in} K_{h} K_{w} + 1)

bias=True 的普通卷积。

变量含义

Nbatch
C通道
H,W空间尺寸

计算步骤

1Conv→[10,8,28,28]
2Pool→[10,8,14,14]

代码对应位置

示例 1CNN 张量形状与参数量 · PyTorch 示例：验证CNN 张量形状与参数量的输入、计算和输出。

变量解释

变量	含义
`N`	batch
`C`	通道
`H,W`	空间尺寸

完整数值示例

Conv+Pool

已知条件

[10,1,28,28]
Conv 1→8,k3,p1
Pool2

1
Conv→[10,8,28,28]
2
Pool→[10,8,14,14]

最终 [10,8,14,14]

处理前后对比

计算与实现步骤

1
保留 N
2
更新 C
3
计算 H/W
4
池化
5
Flatten 相乘
6
Linear 输出

代码实现

示例 1

CNN 张量形状与参数量 · PyTorch 示例

CNN 张量形状与参数量 · PyTorch 示例

PyTorchexample_01.py

用途：验证CNN 张量形状与参数量的输入、计算和输出。

1model=nn.Sequential(nn.Conv2d(1,8,3,padding=1),nn.MaxPool2d(2))
2y=model(torch.randn(10,1,28,28))
3assert y.shape==(10,8,14,14)

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

验证CNN 张量形状与参数量的输入、计算和输出。

y: 目标标签或连续目标值。
model: 组合预处理和估计器的模型对象。

Step 1 · 1–3 行

随机输入不下载数据

model=nn.Sequential(nn.Conv2d(1,8,3,padding=1),nn.MaxPool2d(2))
y=model(torch.randn(10,1,28,28))
assert y.shape==(10,8,14,14)

预期输出或运行结果

断言通过。

常见错误 · 5 条

通道不衔接
stride 只凭直觉
Flatten 算错
忽略尾部池化
确认样本轴、特征轴以及 X 与 y 的第一维完全对应。

实际应用

网络设计
参数预算

常见错误

通道不衔接

stride 只凭直觉

Flatten 算错

忽略尾部池化

文档来源

08_CNN张量形状与参数量计算原始文档

学习资料/deeplearning/08_CNN张量形状与参数量计算.md

§1 NCHW
§2–5 形状
§10 Flatten
§11–12 参数量
§13 验证

常见问题

Conv 参数为何不含 H/W？

同一核跨位置共享。

Flatten 是否删除 batch？

从 dim=1 开始时保留 batch。

CNN 张量形状与参数量

系统计算 NCHW、卷积/池化输出、Flatten 和 Linear 参数量。

学习目标

逐层手算形状
计算卷积参数
用随机张量断言

为什么需要这个概念

多数 CNN 报错来自通道衔接和 Linear in_features 计算错误。

避免形状错误
估算模型容量

学习前需要掌握

卷积操作池化内容待补充

背景与问题

多数 CNN 报错来自通道衔接和 Linear in_features 计算错误。

概念定义

普通层通常保留 N；Conv 改 C 和空间；池化改空间；Flatten 合并 C/H/W。

直观理解

每经过一层都记账：N 看输入，C 看 out_channels，H/W 用公式。

核心原理

Conv 参数与 H/W 无关，Linear 参数与展平维度强相关。

手算后必须用随机张量、打印和 assert 验证。

数学表达

核心公式

p a r am s_{co n v} = C_{o u t} (C_{in} K_{h} K_{w} + 1)

bias=True 的普通卷积。

变量含义

Nbatch
C通道
H,W空间尺寸

计算步骤

1Conv→[10,8,28,28]
2Pool→[10,8,14,14]

代码对应位置

示例 1CNN 张量形状与参数量 · PyTorch 示例：验证CNN 张量形状与参数量的输入、计算和输出。

变量解释

变量	含义
`N`	batch
`C`	通道
`H,W`	空间尺寸

完整数值示例

Conv+Pool

已知条件

[10,1,28,28]
Conv 1→8,k3,p1
Pool2

1
Conv→[10,8,28,28]
2
Pool→[10,8,14,14]

最终 [10,8,14,14]

处理前后对比

计算与实现步骤

1
保留 N
2
更新 C
3
计算 H/W
4
池化
5
Flatten 相乘
6
Linear 输出

代码实现

示例 1

CNN 张量形状与参数量 · PyTorch 示例

CNN 张量形状与参数量 · PyTorch 示例

PyTorchexample_01.py

用途：验证CNN 张量形状与参数量的输入、计算和输出。

1model=nn.Sequential(nn.Conv2d(1,8,3,padding=1),nn.MaxPool2d(2))
2y=model(torch.randn(10,1,28,28))
3assert y.shape==(10,8,14,14)

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

验证CNN 张量形状与参数量的输入、计算和输出。

y: 目标标签或连续目标值。
model: 组合预处理和估计器的模型对象。

Step 1 · 1–3 行

随机输入不下载数据

model=nn.Sequential(nn.Conv2d(1,8,3,padding=1),nn.MaxPool2d(2))
y=model(torch.randn(10,1,28,28))
assert y.shape==(10,8,14,14)

预期输出或运行结果

断言通过。

常见错误 · 5 条

通道不衔接
stride 只凭直觉
Flatten 算错
忽略尾部池化
确认样本轴、特征轴以及 X 与 y 的第一维完全对应。

实际应用

网络设计
参数预算

常见错误

通道不衔接

stride 只凭直觉

Flatten 算错

忽略尾部池化

文档来源

08_CNN张量形状与参数量计算原始文档

学习资料/deeplearning/08_CNN张量形状与参数量计算.md

§1 NCHW
§2–5 形状
§10 Flatten
§11–12 参数量
§13 验证

学习目标

为什么需要这个概念

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心公式

变量含义

计算步骤

代码对应位置

变量解释

完整数值示例

Conv+Pool

已知条件

处理前后对比

计算与实现步骤

代码实现

CNN 张量形状与参数量 · PyTorch 示例

代码解析

输入数据与任务

Step 1 · 1–3 行

预期输出或运行结果

常见错误 · 5 条

实际应用

常见错误

与其他概念的关系

文档来源

常见问题

Conv 参数为何不含 H/W？

Flatten 是否删除 batch？

推荐学习资料

学习目标

为什么需要这个概念

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心公式

变量含义

计算步骤

代码对应位置

变量解释

完整数值示例

Conv+Pool

已知条件

处理前后对比

计算与实现步骤

代码实现

CNN 张量形状与参数量 · PyTorch 示例

代码解析

输入数据与任务

Step 1 · 1–3 行

预期输出或运行结果

常见错误 · 5 条

实际应用

常见错误

与其他概念的关系

文档来源

常见问题

Conv 参数为何不含 H/W？

Flatten 是否删除 batch？

推荐学习资料