CNN 参数量计算：从卷积核到整网规模
副标题 / 摘要 CNN 的参数量取决于卷积核大小、通道数与偏置项。本文用 ACERS 框架给出计算公式、示例与工程实践，帮助你快速评估模型规模。 预计阅读时长：12~16 分钟 标签：cnn、parameter-count、convolution SEO 关键词：CNN, 参数量, 卷积, 模型大小 元描述：讲清 CNN 参数量的计算公式与工程取舍。 目标读者 想快速估算模型规模的初学者 关注部署成本与显存预算的工程实践者 需要做模型压缩与设计取舍的开发者 背景 / 动机 模型参数量直接影响训练速度、推理成本与部署体积。 对于 CNN，参数量可精确计算，但容易被忽略或算错。 掌握计算方法是做结构设计与成本评估的基础。 核心概念 卷积核参数量：核高 * 核宽 * 输入通道 * 输出通道。 偏置项：每个输出通道一个偏置。 组卷积：参数量随 groups 减少。 A — Algorithm（题目与算法） 用通俗语言说明主题内容 CNN 参数量的核心是： “每个输出通道有一组卷积核，核大小覆盖所有输入通道”。 基础示例（1） 卷积：3x3, in=3, out=64 参数量：333*64 + 64 = 1,792 基础示例（2） 1x1 卷积：in=256, out=128 参数量：11256*128 + 128 = 32,896 实践指南 / 步骤 明确卷积核大小 (KxK)。 确认输入通道数 C_in 与输出通道数 C_out。 计算参数量：K*K*C_in*C_out + C_out。 若是组卷积，再除以 groups。 可运行示例（最小 PyTorch 计算） import torch import torch.nn as nn conv = nn.Conv2d(3, 64, kernel_size=3, bias=True) params = sum(p.numel() for p in conv.parameters()) print(params) # 1792 解释与原理 卷积层参数量与输入图像大小无关，只与核与通道有关。 1x1 卷积参数量依然可能很大，因为通道数通常很高。 C — Concepts（核心思想） 方法类型 CNN 参数量计算属于模型规模评估方法，用于衡量存储与计算成本。 ...