计算卷积神经网络中参数量

参考
卷积神经网络的参数包含：卷积层的权重和偏置，全连接层的权重和偏置

1. 全连接层参数量
   在计算参数量前，先了解卷积计算过程。如下图，给定的图像尺寸是32x32x3（高，宽，深度）。对这张图像进行卷积，需要卷积核与输入图像有相同的深度，即3. 这个卷积核的参数量为5*5*3=75。但这只是权值的参数量，不要忘了偏置。所以，这个卷积核总的参数量是5*5*3 + 1=76.
   来看一个实际的例子
   一个卷积层：输入图像是32x32x3，卷积核尺寸是5x5，输出特征图10个。这个卷积层的参数量为：(5*5*3 + 1)*10=760。参数量 = 单个卷积核的参数量*卷积核的个数
   
2. 全连接层的参数量
   全连接层是相邻两层间的神经元互相连接。全连接层参数量 = 上一层神经元个数 * 该层神经元的个数