关于TensorFlow Sequential模型Conv2D层参数计算的疑问

我无法理解自己构建的tf.keras.Sequential模型的summary输出。例如summary的前两行：

Layer (type)	Output Shape	Param #
zero_padding2d (ZeroPadding2D)	(None, 70, 70, 3)	0
conv2d (Conv2D)	(None, 64, 64, 32)	4736

我不明白为何Conv2D层的参数是4736？64 * 64 * 32 的结果并不等于4736。我的模型代码如下：

tf.keras.Sequential([
       tf.keras.Input(shape=(64 , 64 ,3)),
       ## ZeroPadding2D with padding 3, input shape of 64 x 64 x 3
       tf.keras.layers.ZeroPadding2D(padding=3),
       ## Conv2D with 32 7x7 filters and stride of 1
       tf.keras.layers.Conv2D(
           filters = 32,
           kernel_size = 7,
           strides = (1,1)
       ),
       ## BatchNormalization for axis 3
       tf.keras.layers.BatchNormalization(
           axis=3
       ),
       ## ReLU
       tf.keras.layers.ReLU(),
       ## Max Pooling 2D with default parameters
       tf.keras.layers.MaxPooling2D(),
       ## Flatten layer
       tf.keras.layers.Flatten(),
       ## Dense layer with 1 unit for output & 'sigmoid' activation
       tf.keras.layers.Dense(1, activation='sigmoid')
   ])

参数计算逻辑说明 #

你混淆了输出特征图元素总数和可训练参数数量的概念：

Conv2D的可训练参数只和卷积核本身的配置有关，和输出特征图的尺寸（64×64）无关，具体计算方式如下：

• 单个7×7卷积核的参数：卷积核宽 × 卷积核高 × 输入通道数 = 7×7×3 = 147
• 32个卷积核的总权重参数：147 × 32 = 4704
• 每个卷积核对应1个偏置项，32个卷积核共32个偏置参数
• 总参数 = 4704 + 32 = 4736

而你用的64×64×32是该层输出特征图的所有元素个数，这是模型前向传播时生成的数据量，不是需要训练的参数数量，两者完全是不同的概念。

内容的提问来源于stack exchange，提问作者kirsanv43