本文已参与「新人创作礼」活动，一起开启掘金创作之路。

0. 变量定义

假设输入的特征图（feature map）的shape为[Height, Weight, Channel]，对应的字母表示为$[ H_{in}, W_{in}, C_{in}]$; 卷积核（kernel）的shape为$[H_{k}, W_{k}]$, 滤波器（filter）的shape为$[C_{out}, H_{out}, W_{out}, C_{in}]$； 输出的feature map的shape为$[H_{out}, W_{out}, C_{out}]$；padding=$[P_1, P_2]$;stridding=$[S_1, S_2]$ 不难推出：

其中$[\ \ ]$代表向下取整

1. 卷积层的参数量计算

卷积核（kernel）的参数量：$H_{k}\times W_{k}$ 滤波器（filter）的参数量：$C_{out}\times H_{k}\times W_{k}\times C_{in}$ bias参数量：$C_{out}$ 总的参数量：$C_{out}\times H_{k}\times W_{k}\times C_{in}+C_{out}$

2. 卷积操作的计算量

2.1. 乘法计算量

为了得到输出feature map的一个像素点，需要进行$C_{in}\times H_k\times W_k$次乘法操作。因此为了得到整个输出feature map，需要进行$C_{out}\times H_{out}\times W_{out}\times C_{in}\times H_k\times W_k$次乘法。

2.2. 加法计算量

为了得到输出feature map的一个像素点，需要进行$C_{in}\times (H_k\times W_k-1)+(C_{in}-1)+1=C_{in}\times H_k\times W_k$次加法操作。注意最后一个1是bias。因此为了得到整个输出feature map，需要进行$C_{out}\times H_{out}\times W_{out}\times C_{in}\times H_k\times W_k$次加法。 居然和乘法计算量一样！

参考

www.cnblogs.com/qinduanying…