作业

7-1 计算卷积中一共有多少次乘法和加法操作

输入数据形状是

，卷积核 ，输出通道数为 ，步幅 ，填充 。

则完成这样一个卷积，一共需要做多少次乘法和加法操作？

• 提示

先看输出一个像素点需要做多少次乘法和加法操作，然后再计算总共需要的操作次数。

• 提交方式

请回复乘法和加法操作的次数，例如：乘法1000，加法1000

7-2 计算网络层的输出数据和参数的形状

网络结构定义如下面的代码所示，输入数据形状是

，

请分别计算每一层的输出数据形状，以及各层包含的参数形状

# 定义 SimpleNet 网络结构
import paddle
import paddle.fluid as fluid
from paddle.fluid.dygraph.nn import Conv2D, Pool2D, Linear
class SimpleNet(fluid.dygraph.Layer):
    def __init__(self, name_scope, num_classes=1):
        super(SimpleNet, self).__init__(name_scope)
        self.conv1 = Conv2D(num_channels=3, num_filters=6, filter_size=5, stride=1, padding=2, act='relu')
        self.pool1 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
        self.conv2 = Conv2D(num_channels=6, num_filters=16, filter_size=5, stride=1, padding=2, act='relu')
        self.pool2 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
        self.fc1 = Linear(input_dim=50176, output_dim=64, act='sigmoid')
        self.fc2 = Linear(input_dim=64, output_dim=num_classes)        
    def forward(self, x):
        x = self.conv1(x)
        x = self.pool1(x)
        x = self.conv2(x)
        x = self.pool2(x)
        x = fluid.layers.reshape(x, [x.shape[0], -1])
        x = self.fc1(x)
        x = self.fc2(x)
        return x

• 提示，第一层卷积 ，各项参数如下：

则卷积核权重参数

的形状是： ，个数

偏置参数

的形状是： ，偏置参数的个数是6

输出特征图的大小是：

输出特征图的形状是

请将下面的表格补充完整：

• 提交方式：将表格截图发到讨论区