ニューラルネットの出力形状・パラメータ数

ネットワーク層の構成に必要な出力テンソル形状、学習パラメータ数、概算演算量を求める。

形状はPyTorchのNCHW順(Conv2d・MaxPool2d・Flatten)とN×特徴量順(Linear)です。演算量は構成に基づく計数で、実際の計算速度や学習メモリ・精度を示すものではありません。

入力すると自動で計算します。Enterで次の項目へ進めます。次の入力欄を選んで進めます。

選択内容に応じて、残りの入力項目を案内します。

計算する内容

0も可。PyTorchの対称paddingを使用します。

入力/出力チャネル数の双方を割り切る正の整数。


計算結果

必要な値を入力すると自動で計算します。

お気に入り一覧

計算方法・適用範囲・出典

計算方法

Conv2d・MaxPool2d(floorモード)では出力の各辺=floor((入力辺+2×padding−dilation×(kernel−1)−1)÷stride)+1。Conv2dの重み数=出力チャネル×(入力チャネル÷groups)×kernel高さ×kernel幅。バイアスありなら出力チャネル数を加算。Conv2dのMACs=出力要素数×(入力チャネル÷groups)×kernel高さ×kernel幅。Linearの重み数=入力特徴量×出力特徴量、MACs=バッチ数×入力特徴量×出力特徴量。FLOPs換算は2×MACs(バイアス加算等を含まない)。MaxPool2dは学習パラメータ0、最大比較回数上限=出力要素数×(kernel高さ×kernel幅−1)。Flattenは(N,C,H,W)を(N,C×H×W)へ変換し、学習パラメータ0です。すべての個数は整数で厳密に計算します。

出力形状、パラメータ数、バッチ全体/サンプル当たりの要素数、Conv2dとLinearのMACsおよび2倍換算FLOPs、MaxPool2dの比較回数上限。

計算例(架空の数値)

Conv2d:入力(1,3,32,32)、出力チャネル16、kernel(3,3)、stride(1,1)、padding(1,1)、dilation(1,1)、groups=1、バイアスありなら、出力(1,16,32,32)、学習パラメータ448個、MACs 442,368回です。

適用対象と限界

NCHWの2次元特徴マップ、バッチ×特徴量の2次元全結合入力。正の整数次元のみ。他の層、任意のテンソル階数、ceil_mode=true、same文字列padding、逆算、実装依存の実FLOPs、学習メモリ量、学習精度、実行時間は対象外です。。

方法と出典

方法:E142 PyTorch-layer-shapes v1.0 (2026-11-13)。データ記録日:2026-11-13。