卷积层参数量计算

今天在看Ng的深度学习课程之卷积网络，我发现视频最后计算参数量那张表格好像有点错误，而且好像有不少同学没弄懂怎么计算卷积层的参数量，那我就说一说吧。

（ 图中的所有参数都算错了）

卷积层和池化层可以看做1层，统称卷积层，由于池化层没有参数（只有超参数，但一般选主流的超参数就行），所以卷积层的参数量就是卷积核的参数量，有如下公式：

拿Ng的例子来说：

input是32*32*3，卷积计算之后，output是28*28*8， 意味着图像缩小了一些，通道数增加了。那么，卷积层1的参数量就是：(3×(5×5)+1)×8=608，或者可以表述为：(3×5×5)×8+1×8=608

做了个图：

注意：3指的是输入的通道数，因为卷积核的通道数要和输入通道数一样；8指的是输出通道的通道数，因为从正向过程来看，经过卷积计算后，要把每个卷积核计算的结果堆叠起来，有几个卷积核，就要堆叠几层，那么这个堆叠之后的层数就是输出通道的通道数（这里就是8），好，现在反向来看，已知输出通道的通道数是8，那么卷积核需要几个呢？当然是8个，因此，表达式中的8就是这么来的。就像你爬楼梯，现在你站在第8楼，你就知道你爬了8层，那么当你站在0层的时候，你需要爬几层才能到8楼呢？8层。

 希望能帮到你们。

图中参数纠正：