CNN需要训练的参数个数（Param #）计算

      设计好CNN模型后，常见的模型摘要如下图所示，大家有没有想过，里面的参数个数（Param #）是如何计算出来的呢？

        最简单的是Dense层，即全连接层(FC)，输入参数就是前一层的输出，例如上图中，Dense层，输入参数个数就是78400，即每个神经元都有78400个输入，根据神经元计算公式 Y = W*X + b，对应的w有78400个，外加偏置b，每个神经元共计（78400+1）个参数需要训练。

        dense层共有512个神经元，所以需要训练的参数共计 （78400+1）× 512 = 40141312;

        dense_1层：(512+1)×1=513

        池化层（Pooling)没有需要训练的参数。

        卷积层(Conv2D)本质是在训练卷积核(Kernel），假设输入为i，本层的卷积核个数为j，卷积核为n*m，则需要训练的参数个数为：N = (n*m*i+1)*j

        Conv2d 层中，i=1,j=16,n=m=3,所以N=（3*3*1+1)*16=448;

        Conv2d_1 层中，i=16,j=32,n=m=3,所以N=（3*3*16+1)*32=4640;

        Conv2d_2 层中，i=32,j=64,n=m=3,所以N=（3*3*32+1)*64=18496;

        需要训练的参数个数总计(Trainable params: 448+4640+18496+40141312+513=40165409