卷积神经网络CNN中参数的总数目计算

由三个卷积层组成的CNN：kernel=3 × 3，stride=2，padding=SAME。 最低层输出10个特征映射（feature map），中间层20个特征映射，最高层30个特征映射。输入是200 × 300的RGB图片。那么CNN中参数的总数目是多少？

1. 算偏置个数：

第一个卷积层 kernel=3×3，输入有3个通道（RGB图片），因此每个特征映射有3×3×3个weight，加上bias，每个特征映射对应28个参数。由于第一层有10个特征映射，因此有280个参数；

第二个卷积层 kernel=3×3，输入是前一层的10个特征映射，因此第二层的每个特征映射有3×3×10个weight，加上bias，每个特征映射对应91个参数。由于第二层有20个特征映射，因此需要91×20=1820个参数；

第三个卷积层 kernel=3×3，输入是前一层的20个特征映射，因此第三层的每个特征映射有3×3×20个weight，加上bias，每个特征映射对应181个参数。由于第三层有30个特征映射，因此这一层共有181×30=5430个参数。

因此共有280+1820+5430=7530个参数。

2. 不算偏置个数：

第一个卷积层 kernel=3×3，输入有3个通道（RGB图片），因此每个特征映射有3×3×3个weight，每个特征映射对应27个参数。由于第一层有10个特征映射，因此有270个参数；

第二个卷积层 kernel=3×3，输入是前一层的10个特征映射，因此第二层的每个特征映射有3×3×10个weight，每个特征映射对应90个参数。由于第二层有20个特征映射，因此需要90×20=1800个参数；

第三个卷积层 kernel=3×3，输入是前一层的20个特征映射，因此第三层的每个特征映射有3×3×20个weight，每个特征映射对应180个参数。由于第三层有30个特征映射，因此这一层共有180×30=5400个参数。

因此共有270+1800+5400=7470个参数。