多通道卷积参数的计算

问题描述

Input：(3,32,32)-- 3通道，大小为32*32的图像
Output：(32,30,30)-- 32通道，大小为30*30的图像
卷积过程说明：kernel size = (3,3)， stride = (1,1)，padding=0
最终的卷积参数计算结果是 3*3*3*32+32=896 这个值是怎么计算得出的？

多通道卷积的过程

由上图，输入层与卷积核，需要有相同的channel数。
说白了，一个3通道的图像想要经历一次卷积，需要3个卷积核，它们各自计算的结果加起来，才可以形成一个feature map。

这里引用另外一名博主的文章图片，原文链接， 他的图片更直观些。

计算过程

想要得到一个feature map（一个通道）的卷积结果，需要3个3*3大小的卷积核，那么32个通道则需要3*3*3*32=864个参数。
不要忘记了，还有bias的存在，1个通道需要1个bias， 最终32个通道需要32个bias。所以，计算结果为864+32=896个参数。