本文重点

卷积核的参数量是卷积神经网络中一个重要的概念，它决定了网络的复杂度和计算量。在深度学习中，卷积操作是一种常用的操作，用于提取图像、语音等数据中的特征。卷积神经网络的优势点在于稀疏连接和权值共享，这使得卷积核的参数相较于传统的神经网络要少很多。

举例

假设单卷积层有10个过滤器（卷积核），过滤器的维度是3*3*3的，那么，这一层有多少个参数呢？

过滤器是 3×3×3 的，因此每个过滤器有 27 个参数。然后加上一个偏差，用参数b表示，现在参数增加到 28 个。而现在我们有 10 个过滤器，加在一起是 28×10，也就是 280 个参数。

全连接神经网络的参数是由上一层和本层决定的，而卷积神经网络的权重参数是由滤波器的宽、高、通道以及滤波器的数量决定的。

请注意一点，不论输入图片有多大，1000×1000 也好，5000×5000 也好，该卷积层的参数始终都是280 个。用这 10 个过滤器来提取特征，如垂直边缘，水平边缘和其它特征。即使这些图片很大，参数却很少，这就是卷积神经网络的一个特征，叫作"避免过拟合"。

公式化总结

以一个二维卷积核为例，假设卷积核的大小为K×K，深度为D，输入数据的通道数为C，那么卷积核的参数量可以计算为：

<