对不起，非常基本的问题(我是Keras的新手)。我想知道Keras如何在早期阶段(在拟合之前)计算每个层的参数数量。summary显示，在此阶段仍有一些维度的值为None。这些值是否已经以某种方式确定，如果是，为什么不在摘要中显示它们?
我问这个问题是因为我很难弄清楚我的"张量形状bug"。(我试图确定我的resnet50模型的C5块的输出尺寸，但我无法在模型中看到它们。
下面我给出了一个基于retanet中C5_reduced层的例子，该层由Resnet50的C5层提供。C5_reduced
Conv2D(256,kernel_size=1,strides=1,pad=1)
基于模型。这个特定图层的摘要:
C5_reduced (Conv2D) (None, None, None, 256) 524544
我猜C5是(None,1,1,2048)，因为2048*256+256 = 524544(我不知道如何确认或削弱该假设)。既然已经知道了，为什么不在总结中展示呢?如果维度2和维度3不同，参数的数量也会不同，对吧?
如果您将确切的输入形状传递给网络上的第一层或输入层，您将得到您想要的输出。例如，我在这里使用输入层:
input_1 (InputLayer) [(None, 224, 224, 3)] 0
_________________________________________________________________
block1_conv1 (Conv2D) (None, 224, 224, 64) 1792
_________________________________________________________________
block1_conv2 (Conv2D) (None, 224, 224, 64) 36928
传递输入为(224,224,3)。3表示这里的深度。请注意，卷积参数的计算不同于密集层的计算。
如果你这样做:
tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(150, 150, 3))
你会看到:
conv2d (Conv2D) ---> (None, 148, 148, 16)
尺寸减小到148x148，在Keras中默认填充为valid。strides也是1。那么输出的形状将是148 x 148。(你可以搜索公式)
那么None价值观?
- 第一个没有值为批处理大小。在Keras中，第一个维度是批大小。您可以通过它们并使其固定，或者您可以在拟合模型或预测时确定它们。
- 在2D卷积中，期望的输入是(batch_size, height, width, channels)，您还可以设置如下形状(None, None, None, 3)，这意味着不同的图像大小是允许的。 编辑:
tf.keras.layers.Input(shape = (None, None, 3)),
tf.keras.layers.Conv2D(16, (3,3), activation='relu')
生产:
conv2d_21 (Conv2D) (None, None, None, 16) 448
关于你的问题，即使我们通过图像高度&宽度为无
?根据:
计算卷积参数(filter_height * filter_width * input_image_channels + 1) * number_of_filters
当我们把它们放入公式时，
filter_height = 3
filter_width = 3
input_image_channel = 3
number_of_filters = 16
参数= (3 × 3 × 3 + 1) * 16 = 28 * 16 = 448
注意，我们只需要input_image的通道号是3，表示它是一个RGB图像。
如果你想为以后的卷积计算参数，你需要考虑前一层的滤波器数量成为当前层通道的通道数量。
这就是为什么你最终会得到None参数，而不是batch_size。在这种情况下，Keras需要知道您的图像是否为RGB。或者在创建模型时不指定维度，可以在使用数据集拟合模型时传递它们。
您需要为模型定义一个输入层。可训练参数的总数是未知的，直到您a)编译模型并向其提供数据，此时模型根据输入的维度制作一个图，然后您将能够确定参数的数量，或者b)为模型定义一个输入层并声明输入维度，然后您可以使用model.summary()找到参数的数量。
关键是模型不能知道输入层和第一个隐藏层之间的参数数量，直到它被定义，或者你运行推理并给它输入的形状。