多通道卷积的参数数量计算

还是这张老图：

输入3通道5×5的特征图，利用3×3卷积，输出为2通道。

首先记一点，输出特征图的通道数是多少，那么该卷积层就有多少个卷积核。各个卷积核互相独立，分别负责输出特征图的某一通道。

例如，上图输出通道数为2，则该3×3的卷积层就会有2个卷积核(中间那两列粉色的)。而每个卷积核的深度(通道数)等于输入特征图的通道数，以一一对应进行运算。

对于本例，由于卷积核尺寸为3×3，则某个卷积核的某一层的参数数量为3×3=9。而卷积核的通道数等于输入特征图的通道数3，则该卷积核的参数数量为9×3=27。加上卷积过后还要进行偏置运算(bias)，此时共28个参数。输出为2通道，因此共2个这样的卷积核，该卷积层总计可训练的参数数量为28×2=56。

直接数图中的参数数量，可以验证有56个可训练参数，也可以用torchsummary证实下：

from torchsummary import summary
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 2, 3, padding=1)
    
    def forward(self, x):
        x = self.conv1(x)
        return x

net = Net()
summary(net, (3, 5, 5))

输出：

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1              [-1, 2, 5, 5]              56
================================================================
Total params: 56
Trainable params: 56
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
----------------------------------------------------------------