人工智能神经网络
【摘要】 一、深度学习行业标准：只有带可学习参数的层才算 “网络层”能更新权重、参与反向传播优化的才算层：卷积层 Conv2d：有卷积核权重、偏置 → 算层全连接 Linear：有权重矩阵、偏置 → 算层BatchNorm、ConvTranspose 等带参数层 → 算层无参数，只做固定数学运算，不算独立网络层MaxPool2d（最大池化）、AvgPool：窗口大小 / 步长写死，全程不训练、无参数R...
一、深度学习行业标准：只有带可学习参数的层才算 “网络层”
能更新权重、参与反向传播优化的才算层：
- 卷积层
Conv2d：有卷积核权重、偏置 → 算层 - 全连接
Linear：有权重矩阵、偏置 → 算层 - BatchNorm、ConvTranspose 等带参数层 → 算层
无参数，只做固定数学运算，不算独立网络层
- MaxPool2d（最大池化）、AvgPool：窗口大小 / 步长写死，全程不训练、无参数
- ReLU、Sigmoid、Tanh 激活函数：纯数学映射，无参数
- view、permute、flatten 维度变换：只是张量重塑
你的代码里：
你的模型带参层一共 4 个：conv1、conv2、fc 第一层 Linear、fc 第二层 Linear。
self.pool = nn.MaxPool2d(2,2) 只是一个固定运算模块，行业计数层数时直接忽略。
二、新手容易混淆的第二种：按「运算步骤」数操作（不专业）
如果不管有没有参数，只看代码里执行了多少个模块运算：
- conv1 卷积
- relu1 激活
- pool1 池化
- conv2 卷积
- relu2 激活
- pool2 池化
- fc1 全连接
- relu3 激活
- fc2 输出
这里池化只是其中一步操作，就算这么数也凑不出 5 层。
三、补充：为什么大家常说的 5 层 CNN 不含池化
经典 5 层 CNN（比如简化版 VGG、老式手写数字 5 层卷积网络）定义：
5 个卷积层（全部带训练参数），后面搭配池化、全连接；
池化只是卷积之间的下采样工具，不会计入那 “5 层”。
四、举个直观对比你的网络流程
输入(3,64,64)
→ conv1【算1层】 → ReLU(不算) → MaxPool(不算)
→ conv2【算2层】 → ReLU(不算) → MaxPool(不算)
→ flatten展平
→ Linear1【算3层】 → ReLU(不算)
→ Linear2【算4层输出】
池化全程只是中间压缩尺寸的工具，不计入网络层数。
简单总结
- 池化层代码确实存在，会执行下采样操作；
- 但它无训练参数，专业统计网络层数时不算一层；
- 你这个模型不存在 5 层结构，只有 2 卷积 + 2 全连接共 4 个有效训练层。
【声明】本内容来自华为云开发者社区博主，不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息，否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）