EP09_03 — 🟡 Contagem de Parâmetros Treináveis de uma CNN

9.10.3.1 📋 Diretrizes de Implementação

1. Entrada: Ler o inteiro \(L\) (número de camadas da arquitetura, na ordem em que são aplicadas).

2. Camadas: Ler \(L\) linhas, cada uma descrevendo uma camada em um dos três formatos:

   • CONV kh kw cin cout bias — camada convolucional com kernel \(k_h \times k_w\), \(c_{in}\) canais de entrada, \(c_{out}\) canais de saída e bias (0 ou 1), indicando se há viés por filtro;
   • POOL — camada de pooling (máximo ou médio), que não possui parâmetros treináveis e preserva o número de canais;
   • FC in out bias — camada totalmente conectada com in entradas, out saídas e bias (0 ou 1), indicando se há viés por neurônio.

3. Consistência entre camadas CONV: em uma sequência de camadas convolucionais, o cin de uma camada deve corresponder ao cout da camada convolucional anterior. Uma camada POOL não altera esse número de canais.

   Por exemplo:

   CONV 3 3 1 8 1
   POOL
   CONV 3 3 8 16 1

   A primeira CONV produz 8 canais, que são recebidos pela segunda CONV. Portanto, na segunda camada, cin=8 e cout=16.

4. Parâmetros de uma camada CONV:

   Cada um dos \(c_{out}\) filtros possui \(k_h \cdot k_w \cdot c_{in}\) pesos. Portanto,

   \[ P_{\mathrm{CONV}} = k_h \cdot k_w \cdot c_{in} \cdot c_{out} + c_{out}\cdot\text{bias}. \]

5. Parâmetros de uma camada FC:

   \[ P_{\mathrm{FC}} = \text{in}\cdot\text{out} + \text{out}\cdot\text{bias}. \]

6. Parâmetros de uma camada POOL: sempre \(0\).

7. Total da rede: somar os parâmetros treináveis de todas as camadas.

8. Saída: Para cada camada, na ordem de leitura, imprimir Camada i: P, em que \(i\) começa em \(1\) e \(P\) é o número de parâmetros daquela camada. Ao final, imprimir Total: T.

9.10.3.2 📐 Exemplo para entender cin e cout

Considere a sequência:

CONV 3 3 1 8 1
POOL
CONV 3 3 8 16 1

Na primeira camada:

• cin=1: entra um canal;
• cout=8: existem 8 filtros e, portanto, saem 8 canais.

Cada filtro possui

\[ 3\cdot3\cdot1=9 \]

pesos. Como existem 8 filtros:

\[ 9\cdot8=72 \]

pesos. Com um viés por filtro:

\[ 72+8=80. \]

Na segunda camada:

• cin=8: entram os 8 canais produzidos pela primeira CONV;
• cout=16: existem 16 filtros e, portanto, saem 16 canais.

Cada filtro possui

\[ 3\cdot3\cdot8=72 \]

pesos. Como existem 16 filtros:

\[ 72\cdot16=1152 \]

pesos. Com 16 vieses:

\[ 1152+16=1168. \]

Assim, as duas camadas possuem, respectivamente, 80 e 1168 parâmetros treináveis.

Observe que cout não é \(cin\) multiplicado pelo número de filtros. O número de filtros é exatamente cout: cada filtro combina todos os canais de entrada e produz um único canal de saída.

9.10.3.3 📌 Restrições Computacionais

• Independência da dimensão espacial: a entrada não informa \(H \times W\). A contagem de uma camada CONV depende apenas de kh, kw, cin e cout.
• Consistência dos canais: para duas camadas CONV consecutivas, o cin da segunda deve ser igual ao cout da primeira. Uma camada POOL preserva o número de canais.
• bias sempre 0 ou 1: multiplique diretamente o termo de viés por esse valor.
• Camadas POOL sem argumentos adicionais: a linha contém apenas a palavra POOL.
• Camadas FC: o número de entradas in é fornecido explicitamente. Não é necessário calcular as dimensões espaciais produzidas pelas camadas anteriores.
• Todos os valores numéricos de entrada são inteiros não negativos.

9.10.3.4 🧠 Fundamentação Teórica

9.10.3.5 🧩 Métodos do morph.py que podem ajudar

Este exercício é puramente aritmético e não utiliza diretamente funções do morph.py. A contagem pode, entretanto, ser conferida em uma arquitetura real implementada em PyTorch por meio de:

sum(p.numel() for p in modelo.parameters())

Essa expressão contabiliza os parâmetros do modelo, incluindo pesos e vieses.

9.10.3.6 📦 Especificação de Entrada e Saída (VPL)

Entrada:

• Linha 1: Inteiro \(L\).
• Próximas \(L\) linhas: descrição de cada camada, no formato CONV kh kw cin cout bias, POOL ou FC in out bias.

Saída:

• \(L\) linhas no formato Camada i: P.
• Última linha: Total: T.

9.10.3.7 📌 Exemplos

%%writefile EP09_03.py
# Código Python

Writing EP09_03.py

TestSuite("EP09_03.py").run()

✔️ EP09_03.cases já existe em casos/
📋 3 caso(s) carregado(s) de casos/EP09_03.cases

🔍 Testando Python: EP09_03.py
⚠️ EP09_03.py: Arquivo sem conteúdo (menos de 3 linhas). Testes ignorados.