卷积层与全连接层权重（参数）个数的计算_卷积核的参数可以额外乘以额外的权重吗

环境：Pycharm2017.2，tensorflow 2.0.0b0，Win7，python3.6

感想：最近在研究卷积神经网络的构建和训练，权重（参数）是一个非常重要的概念，卷积层会用多个不同的卷积核，每个卷积核有m*n个权重，用来提取和强化图像的特征，主要利用了图像的局部相关性。全连接层，顾名思义，每一层的每个神经元都与上一层的每个神经元连接起来，每条连接都有一个权重和偏置来进行传递。

构建卷积网络如下:

import tensorflow as tf
from tensorflow.python.keras import datasets, models, layers
import os
class CNN(object):
    def __init__(self):
        model = models.Sequential()
        # 第1层卷积，卷积核大小为3*3，32个卷积核，28*28为待训练图片的大小
        model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
        # 池化层
        model.add(layers.MaxPooling2D(2, 2))
        # 第2层卷积，卷积核大小为3*3，64个卷积核
        model.add(layers.Conv2D(64, (3, 3), activation='relu'))
        # 池化层
        model.add(layers.MaxPooling2D(2, 2))
        # 第3层卷积，卷积核大小为3*3，128个卷积核
        mod
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15