如何计算CIFAR-10数据集对应卷积神经网络各卷积层参数？

首先得明确卷积层参数计算的核心公式，这是推导的基础：

卷积层参数总数 = (卷积核尺寸高 × 卷积核尺寸宽 × 输入通道数 + 1) × 卷积核数量
这里的+1是每个卷积核对应的偏置项——每个卷积核都会搭配一个单独的偏置参数。

因为我们针对的是CIFAR-10数据集，输入图像是32×32×3的RGB图，所以模型的input_shape为(32, 32, 3)，接下来逐个分析代码里的卷积层：

1. 第一个卷积层：Conv2D(32, (3, 3), padding='same', activation='relu', input_shape=input_shape) #

• 输入通道数：3（CIFAR-10的RGB三通道）
• 卷积核尺寸：3×3
• 卷积核数量：32
  代入公式计算：
  (3×3×3 + 1) × 32 = (27 + 1) × 32 = 28 × 32 = 896
  这一层的参数总数是896。

2. 第二个卷积层：Conv2D(32, (3, 3), activation='relu') #

• 输入通道数：上一层卷积的输出通道数，也就是32（池化和Dropout层不会改变通道数量）
• 卷积核尺寸：3×3
• 卷积核数量：32
  代入公式：
  (3×3×32 + 1) × 32 = (288 + 1) × 32 = 289 × 32 = 9248
  这一层的参数总数是9248。

3. 第三个卷积层：Conv2D(64, (3, 3), padding='same', activation='relu') #

中间的MaxPooling2D仅压缩特征图尺寸，不改变通道数，所以输入通道数还是上一层的32：

• 输入通道数：32
• 卷积核尺寸：3×3
• 卷积核数量：64
  计算：
  (3×3×32 + 1) × 64 = (288 + 1) × 64 = 289 × 64 = 18496
  这一层的参数总数是18496。

4. 第四个卷积层：Conv2D(64, (3, 3), activation='relu') #

同样，MaxPooling2D不影响通道数，输入通道数为上一层的输出64：

• 输入通道数：64
• 卷积核尺寸：3×3
• 卷积核数量：64
  计算：
  (3×3×64 + 1) × 64 = (576 + 1) × 64 = 577 × 64 = 36928
  这一层的参数总数是36928。

如果后续还有卷积层，都可以用同样逻辑推导：只需要关注当前层的输入通道数（即上一层的输出通道数）、卷积核尺寸和数量，套入公式即可。

内容的提问来源于stack exchange，提问作者zucchinifries