卷积神经网络相关计算（卷积层+全连接层）

1，卷积层计算
假设输入图像为二维矩阵X，尺寸为mⅹn，卷积核数量为C，尺寸为cⅹc，经过卷积运算后得到的输出Y尺寸为((m-c)/s+1)×((n-c)/s+1)。（池化层输出尺寸计算同卷积层）
为了直观的展示卷积操作，图2.1表示输入尺寸为5ⅹ5的图像，卷积核尺寸为3ⅹ3，滑动卷积窗口步长为1，偏置为0的卷积过程。
二维图像的卷积运算简单的说就是对应相乘再相加，如图，1x1+2x0+3x1+6x0+7x1+8x0+11x1+12x0+13x1=35,其他依次类推。

接下来计算卷积层的参数量，

输入尺寸是32x32x3，有24个卷积核，卷积核尺寸为3x3x3，则输出为30x30x24，那么这层卷积用到的参数量为3x3x3x24+24=672（别忘了偏置bias）
2,全连接层计算：
全连接层的输入是一维数组，多维数组需先进行Flatten进行一维化处理，然后连接全连接层。全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。全连接图结构如下。

其中，x1、x2、x3为全连接层的输入，a1、a2、a3为输出，有

其中，f(x)为激活函数，如sigmoid、tanh、relu等。
全连接层参数量param=(输入数据维度+1)x神经元个数（因为每个神经元都有一个bias）
如：输入数据维度为（N,D），全连接层神经元个数为out
param=(D+1)xout