卷积：
输入3通道，2个卷积核：
对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！
对多通道图像做1x1卷积，其实就是将输入图像于每个通道乘以卷积系数后加在一起，即相当于把原图像中本来各个独立的通道“联通”在了一起。
1.卷积&池化后feature map大小
输入尺寸：，输出尺寸：
，卷积核大小：
，卷积核个数（即输出通道数）：N，移动步长：S，填充数P
输出的大小如下：
2.参数量计算
Conv Layer参数数量：总参数数量为所有weights和bias的总和。maxpooling层只有超参数
=卷积层的weights数量，
=卷积层的biases数量，
=所有参数的数量，K=核尺寸，N=核数量，C =输入通道数
卷积层中,核的深度等于输入图像的通道数。于是每个核有K*K个参数。并且有N个核.由此得出以下的公式：
3.感受野计算
是第k-1层感受野的大小，
是当前层卷积核大小，
是第i层步长。第k层感受野：
https://zhuanlan.zhihu.com/p/35708466
4.卷积操作的计算量
标准卷积核大小为,输入通道M，输出通道N，输出feature map大小为
。
标准卷积计算量：
深度可分离卷积减小的计算量：