一層卷積中有多少個參數

import torch.nn as nn

conv = nn.Conv2d(2, 3, 4)
print(conv.weight.size())
print(conv.bias.size())

torch.Size([3, 2, 4, 4])
torch.Size([3])

所以，每一層卷積的參數總量為：3*2*4*4+2   [輸入通道數*輸出通道數*卷積核大小+bias(輸出通道數)]

bias=0，如果設置bias=False

要計算輸出feature map中的每一個通道，需要用該通道對應的卷積核去跟輸入的feature map做運算，因為輸入的feature map同一通道的計算是共享卷積核參數的，所以計算輸出feature map中的每一個通道需要的參數量是：輸入通道數*卷積核的長*寬

所有weight就是：輸入通道數*卷積核的長*寬*輸出的通道數，bias是每個輸出通道一個O

總共就是3*2*4*4+2 啦

conv2d( in_channels =I , out_channels = O) 有O乘I個filter(O組filters,每組I 個)對輸入進行濾波。即每次有一組里I個filter對原I個channels分別進行濾波最后相加輸出一個結果，最后輸出O個結果即feature map

實驗驗證可以參看：https://blog.csdn.net/qq_19094871/article/details/97533077