卷积层的参数和神经元个数计算

假设：

当前卷积层的输入是：6x6x3

卷积层参数是：卷积核大小 3x3 ；stride=1, padding=0; 卷积核个数就是3；

那么卷积层的输出就是：（W -F +2*P）/ S + 1 =（6 - 3 + 2*0）/ 1 + 1 = 4，数据就是 4x4x3

那么问题就是：卷积层的参数是多少？

首先分析卷积操作的过程：

输入是3个通道的6x6，输出的是3个4x4的feature map。

每一个3x3的卷积核，在输入的6x6x3上滑动卷积。卷积核的每一次滑动，实质上的操作就是选取它所覆盖的元素（先不同通道的同位置元素相加），输入到一个神经元（神经元就是一个线性方程f(x) +bias，卷积核参数就是线性方程的权值参数），卷积核选取的元素与神经元参数，即卷积核参数进行点乘求和，这就完成了一次滑动卷积，得到了输出的feature map中的一个元素。

不同的卷积核卷积得到代表不同特征的feature map。

也就是说，输出的feature map中的每一个元素都对应一个神经元的输出。一个卷积的参数被生成feature map的所对应的所有神经元共享。输出有3个feature map，每个feature map有4x4 =16个神经元，所以这个卷积层有16x3=48个神经元。

对于卷积的参数个数的话，每一个feature map都是共享对应的卷积核的参数的。卷积核的参数是：3x3 + 1 =10。共3个卷积核，所以卷积核参数就是：3 x 10 =30个参数。

综上：卷积核才是代表卷积过程中，参数/权值矩阵，因为同一个输出的feature map中的神经元权值共享的原因，神经元个数不等于参数个数，中间差了feature map大小的倍数。

1、提取一下神经元个数计算公式就是：输出feature map * 卷积核个数。

2、如果计算卷积层的全连接个数，就是(卷积核H * 卷积核W + 1偏置) * 神经元个数

3、卷积层参数计算公式： （卷积核H * 卷积核W + 1) * 卷积核个数