先举一个例子：

比如输入小编女朋友的图片，是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个feature map，下图中，有6个5x5x3的卷积核，故输出6个feature map（activation map），大小即为28x28x6。

其中28 的计算公式：

神经元个数： （32－5+1） * （32 －5 ＋1） ＝ 28 ＊ 28 个。也就是每一个feature map的大小就是28 * 28 。

实际上，在卷积过程中，输入层（Input）有多少个通道，卷积核（滤波器Filter）就要有多少个通道，但是卷积核的数量是任意的，卷积核的数量决定了卷积后 feature map 的通道数。

第一层（卷积层）的参数个数计算

先整理以下此环境中对应的数据信息。

Filter个数：6

• 原始图像shape：32*32*3
• 卷积核大小为：5*5
• 一个卷积核的参数：5*5*3=75【3是input通道数，三个通道的权重并不共享。 所以对于以上的计算，三通道的参数数量应该还要乘以3。】

6个卷积核的参数总和：

75*6 + 6 = 450 + 6 = 456

weight * x + bias根据这个公式，即可算的最终的参数总额为：456

【其中weight 指一个卷积核的参数，x 指卷积核的个数，也就是输出通道数，bias 指偏置项，和卷积核的个数保持一致】

简单小结

卷积层的参数个数和图片的大小无关，它只和卷积核（Filter）的尺寸、深度以及当前层卷积核的个数有关。

CNN权值共享就是同一个Feature Map中神经元权值（weight）共享，该Feature Map中的所有神经元使用同一个权值。

第二层（卷积层）的参数个数计算

这里忽略了池化层，池化过程只是图片大小发生了变化，深度没有发生变化。

池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。

下图中，第二层到第三层，其中每个卷积核大小为5x5x6，这里的6就是28x28x6中的6，两者需要相同，即每个卷积核的“层数”需要与输入的“层数”一致。

有几个卷积核，就输出几个feature map，下图中，与第二层作卷积的卷积核有10个，故输出的第三层有10个通道。

Filter个数：10

• 原始图像shape：28*28*6
• 卷积核大小为：5*5
• 一个卷积核的参数：5*5*6=150【是input通道数，6个通道的权重并不共享。 所以对于以上的计算，6通道的参数数量应该还要乘以6。】

10个卷积核的参数总和：

150*10 + 10 = 1510

卷积层中参数个数计算小结

卷积核的个数=最终的feature map的个数

一个卷积核的参数大小=开始进行卷积的通道数×每个通道上进行卷积的二维卷积核的尺寸

合计参数的个数=卷积核个数×（一个卷积核的参数大小+1） 【其中+1 是偏置项Bias，和卷积核个数保持一致，也就是说偏置项 b 在同一个卷积核是共享的】