TOC
如何计算一个卷积参数？
在计算卷积参数前，我们先来看几个小问题。
1.怎么判断一个卷积核有多少通道？
一个卷积核的通道数=前一层的通道数； 比如前一层是64x64x3的图像，那卷积核的通道数就是3层。
2.怎么理解卷积核数量和卷积核通道数？
如果把一个卷积核比喻成一本书，那卷积核的通道数就是一本书的页数。
卷积核数量我叫卷积深度会好理解些。
3.如果输入层是1024x1024x128，我们想得到输出层的长度为32，那卷积核的通道数是多少？
这里要特别注意，输出层的长度只与卷积核的数量（个数）有关系，即卷积核的数量应该为32个，那卷积核的通道数与输入层的通道数一层，这里输入层的通道数是128，故卷积核的通道数是128。
题目这样问，主要是为了提醒我们注意卷积核与卷积通道的区别。
4.看图如何判断卷积大小？
先看图：
如上图，问SL.NO第2行CONV(f=5,s=1)表示的卷积大小是多少？
f=5如没特殊说明，卷积核的长和宽都一致，即5x5，卷积通道数为前一层的通道数，前一层是（32，32，3），说明卷积通道数是3；
那卷积数量是多少？卷积数量为本层输出的数量，本层输出是(28,28,8)，期中8是输出数量，即卷积核数量是8；
综上，SL.NO第2行的卷积体积是5x5x3x8，以书本的例子来理解就是有8本书，每本大小是5x5，每本含有3页纸；
5.卷积神经网络中，如何计算卷积参数？
卷积神经网络训练的卷积层，那卷积层的参数是怎么计算呢？
以上图为例，SL.NO第二行，最右边的608是怎么计算呢？
其计算方式如下：
卷积层参数=(卷积形状+1)x卷积深度
这里卷积深度是指卷积核的数量。
卷积形状=卷积长x卷积宽x卷积通道数，卷积的通道数等于上一层的通道数。
为什么要加1？ 因为每个卷积核会配一个偏移值，卷积核的数量为8，就表示有8个偏移值。
因此，卷积层参数=(卷积长x卷积宽x卷积通道数+1)x卷积深度；
现在，我们来计算下上图中 SL.NO第二行的卷积参数：608=(5*5*3+1)*8；
REFERENCE:
1.Understanding and Calculating the number of Parameters in Convolution Neural Networks (CNNs)
「点个赞」
Yaohong
点个赞
使用微信扫描二维码完成支付
