舉例1：

　　比如輸入是一個32x32x3的圖像，3表示RGB三通道，每個filter/kernel是5x5x3，一個卷積核產生一個feature map，下圖中，有6個5x5x3的卷積核，故輸出6個feature map（activation map），大小即為28x28x6。

下圖中，第二層到第三層，其中每個卷積核大小為5x5x6，這裏的6就是28x28x6中的6，兩者需要相同，即每個卷積核的“層數”需要與輸入的“層數”一致。有幾個卷積核，就輸出幾個feature map，下圖中，與第二層作卷積的卷積核有10個，故輸出的第三層有10個通道。

舉例2：

　　NxN大小的輸入（暫時不考慮通道數），與FxF大小的卷積核（暫時不考慮個數）做卷積，那麽輸出大小為多大？計算公式為：(N - F) / stride + 1，其中stride為做卷積是相鄰卷積核的距離。

舉例3：

　　當輸入為7x7大小，卷積核為3x3，stride=1，在7x7周圍補上一圈0（pad=1個像素），那麽輸出大小為多大？

是7x7。

舉例3：

輸入為32x32x3，卷積核大小為5x5，總共有10個卷積核，做卷積的時候stride=1，pad=2，那麽這一層總共含有多少參數？

每個卷積核含有的參數個數為：5*5*3 + 1 = 76，其中1是偏置bias，由於有10個卷積核，故總參數為76*10=760。

總結：

其中，卷積核的數量K一般是2的整數次冪，這是因為計算方便（計算機計算2^n比較快）

關於池化層的參數計算：

參考：

斯坦福大學CS231N課程PPT

http://cs231n.stanford.edu/slides/2016/winter1516_lecture7.pdf

卷積神經網絡中的參數計算