卷积神经网络中 每个卷积核与上一层的连接详解

以Lenet网络为例

序	Layer	layer Type Bottom	Blob Top	Blob Top	Blob Shape
1	minst	Data		data&&label	64 1 28 28 (50176) && 64 (64)
2	conv1	Convolution	data	conv1	64 20 24 24 (737280)
3	pool1	Pooling	conv1	pool1	64 20 12 12 (184320)
4	conv2	Convolution	pool1	conv2	64 50 8 8 (204800)
5	pool2	Pooling	conv2	pool2	64 50 4 4 (51200)
6	ip1	InnerProduct	pool2	ip1	64 500 (32000)
7	relu1	ReLU	ip1	ip1(in-place)	64 500 (32000)
8	ip2	InnerProduct	ip1	ip2	64 10 (640)
9	loss	SoftmaxWithLoss	ip2&&label	loss	(1)

conv1层还好理解：由20个特征图Feature Map构成，卷积核大小5x5，特征图中每个神经元与输入中5*5的邻域相连。特征图的大小为24*24。每个滤波器5*5=25个unit参数和一个bias参数，一共20个滤波器，共(5*5+1)*20=520个权重参数，共有

520*(24*24)=599520个连接。

conv2层不好理解：由50个特征图Feature Map构成，卷积核大小5x5，那每个神经元怎么和上一层连接的？“conv2中的每个特征map是连接到pool1中的所有20个或者几个特征map的，表示本层的特征map是上一层提取到的特征map的不同组合”。我理解的是和之前所有map连接卷积后相加。共有(5*5+1)*20*50=26000个权重参数，

26000*(8*8)=1664000个连接。

看到别人更清晰的解释：点击打开链接