CNN架构神经元总数计算方法问询，附现有PyTorch网络实现代码

核心定义 #

CNN中的神经元总数为每层输出特征图的总元素数，每个输出位置对应一个神经元：

• 卷积/池化层：神经元数 = 输出通道数 × 输出特征图高度 × 输出特征图宽度
• 全连接层：神经元数 = 输出维度

卷积/池化层的输出尺寸通用计算公式：

输出尺寸 = floor( (输入尺寸 + 2×padding值 - kernel尺寸) / stride + 1 )

你的网络逐层计算过程 #

根据你给出的全连接层输入64 * 1 * 1，可反推匹配的输入图像为单通道32×32（行业常用测试尺寸，推导后刚好匹配输出维度），逐层计算如下：

• 输入层：1通道32×32，神经元数 = 1×32×32 = 1024（一般统计时可选择是否包含输入层）
• Conv1层：
  输入32×32，kernel=7×7，padding=1，stride=2
  输出尺寸 = floor( (32 + 2×1 -7)/2 +1 ) = 14
  神经元数 = 16×14×14 = 3136
• MaxPool1层（stride=2的2D最大池化，默认kernel=2×2）：
  输出尺寸 = floor(14/2) =7
  神经元数 = 16×7×7 = 784
• Conv2层：
  输入7×7，kernel=7×7，padding=1，stride=2
  输出尺寸 = floor( (7 + 2×1 -7)/2 +1 ) = 2
  神经元数 = 32×2×2 = 128
• MaxPool2层：
  输出尺寸 = floor(2/2) =1
  神经元数 = 32×1×1 = 32
• Conv3层：
  输入1×1，kernel=3×3，padding=2，stride=2
  输出尺寸 = floor( (1 + 2×2 -3)/2 +1 ) = 2
  神经元数 = 64×2×2 = 256
• MaxPool3层：
  输出尺寸 = floor(2/2) =1
  神经元数 = 64×1×1 = 64
• FC1全连接层：
  输出维度=8，神经元数=8

总神经元数统计 #

根据统计范围不同有两种常见结果：

1. 仅统计可学习层（卷积层+全连接层，不含输入、池化层）：3136 + 128 + 256 + 8 = 3528
2. 统计所有运算层（含池化层，不含输入层）：3136 + 784 + 128 +32 +256 +64 +8 = 4408
3. 包含输入层的全量统计：4408 + 1024 = 5432

注意事项 #

如果你的输入图像尺寸、池化核大小和默认配置不同，只需将对应参数代入上述通用公式重新计算即可，逻辑完全一致。

内容的提问来源于stack exchange，提问作者Atila