引數數量估算

← ToolBox / 引數數量估算
📖 檢視「引數數量估算使用指南」

🔮 Neural Network Parameter Count Estimator

Estimate the parameter count of fully-connected and convolutional layers from layer widths, kernel sizes and channel counts. Useful for model sizing and memory budgeting.

📐 計算公式 / 原理
全連線引數 = in × out + out（偏置）；3×3 卷積引數 = in × out × 9 + out；視訊記憶體 MB = 引數 × 4 / 1024 / 1024
按層的權重矩陣規模累加估算引數量，再按每引數 4 位元組（FP32）折算視訊記憶體。這只是推理權重的下限，訓練還要額外放梯度、最佳化器狀態（Adam 再翻 2 倍）與啟用值，實際佔用通常是權重的 4–6 倍。

📐 計算公式與說明

全連線：params = in × out + out（bias）
卷積 3×3：params = in × out × 9 + out

用於快速估算模型規模。

📚 深度解析：引數數量估算

💡 常見使用場景

卷積層引數量
3×3 卷積、輸入通道 64、輸出通道 128：引數=(3²×64+1)×128=(576+1)×128=73728。若改為深度可分離(3×3×64+1×64×128)=576+8192=8768，僅為原先約 12%。

❓ 常見問題（FAQ）

為什麼卷積層引數量遠小於全連線？
卷積權值共享且區域性連線，引數只與核大小、通道數有關，與特徵圖尺寸無關；全連線則隨輸入輸出維度乘積增長。
偏置是否總要加？
並非必須。BN 後接的卷積常設 bias=False 以免冗餘；最後一層或需學習截距時保留偏置。

🔗 相關工具

🤖 Dropout 保留期望Dropout 期望輸出計算器，輸入保留機率求 dropout 後的期望輸出與推理期縮放因子，輔助… 🔍 L1 L2 正則化懲罰L1/L2 正則化懲罰計算器，輸入權重與正則係數求對損失函式的懲罰項，對比 Lasso 與 Rid… 🤖 RAG 召回率RAG 召回率計算器，輸入相關文件數與檢索命中數求召回率，評估檢索增強生成的檢索覆蓋質量。 🤖 ROC AUC 近似輸入正負樣本預測得分，估算 ROC 曲線下面積 AUC，評估分類器排序能力，適用於模型選型、閾值無… 🤖 ReLU 與 LeakyReLUR ReLU 與 LeakyReLU 🤖 Sigmoid 輸出S Sigmoid 輸出

如何使用引數數量估算

  1. 按頁面提示逐項填寫或選擇所需引數。
  2. 點選「計算」或「生成」按鈕執行。
  3. 在結果區檢視輸出，可複製結果或匯出使用。

引數說明

適用場景

全連線層引數=(輸入維度+1)×輸出維度，+1 為偏置。

常見問題

為什麼卷積層引數量遠小於全連線？
卷積權值共享且區域性連線，引數只與核大小、通道數有關，與特徵圖尺寸無關；全連線則隨輸入輸出維度乘積增長。
偏置是否總要加？
並非必須。BN 後接的卷積常設 bias=False 以免冗餘；最後一層或需學習截距時保留偏置。