在训练卷积神经网络进行图像分类任务时，我们通常希望我们的算法学习将给定图像转换为其正确标签的过滤器（和偏差）。我正在尝试比较一些模型，包括模型大小，操作数量，准确性等。但是，从tensorflow输出的模型大小，
具体来说 就是存储所有值的 model.ckpt.data 文件图中的变量不是我期望的。实际上，它似乎要大三倍。

为了直接解决这个问题，我要在这款Jupyter笔记本上提出问题。以下是定义变量（权重和偏差）的部分：

# Store layers weight & bias
weights = {
# 5x5 conv, 1 input, 32 outputs
'wc1': tf.Variable(tf.random_normal([5, 5, 1, 32]),dtype=tf.float32),
# 5x5 conv, 32 inputs, 64 outputs
'wc2': tf.Variable(tf.random_normal([5, 5, 32, 64]),dtype=tf.float32),
# fully connected, 7*7*64 inputs, 1024 outputs
'wd1': tf.Variable(tf.random_normal([7*7*64, 1024]),dtype=tf.float32),
# 1024 inputs, 10 outputs (class prediction)
'out': tf.Variable(tf.random_normal([1024, num_classes]),dtype=tf.float32)
}

biases = {
'bc1': tf.Variable(tf.random_normal([32]),dtype=tf.float32),
'bc2': tf.Variable(tf.random_normal([64]),dtype=tf.float32),
'bd1': tf.Variable(tf.random_normal([1024]),dtype=tf.float32),
'out': tf.Variable(tf.random_normal([num_classes]),dtype=tf.float32)
}

我添加了几行代码，以便在训练过程结束时保存模型：

# Save the model
save_path = saver.save(sess, logdir+"model.ckpt")
print("Model saved in file: %s" % save_path)

将所有这些变量 加起来， 我们期望得到一个大小为12.45Mb的 model.ckpt.data
文件（我已经通过计算模型学习的float元素的数量并将其转换为MegaBytes来获得此文件）。但！保存的 .data
文件为39.3Mb。为什么是这样？

我对更复杂的网络（ResNet的一个变体）采用了相同的方法，并且我期望的模型。数据大小也比实际 .data 文件小约3倍。

所有这些变量的数据类型为float32。