一、cnn参数计算
假设输入7*7*3，卷积核3*3*2，stride=(1,1),输出是3*3*2
参数量计算：fileter_size✖️input_channel✖️output_channel
解释:参数量与输入尺寸无关，只是卷积核的参数，每一个卷积核首先对input_feature所有通道做卷积，得到 n*n*input-channel，然后input_channel个n*n 的feature_map相同位置数目相加，再➕bias,得到n*n*1的feature_map输出，因为有output_channel个filter,所以输出n*n*output*channel(通俗容易想象的解释）
二、lstm参数计算
lstm原理图，一个绿色框是一个cell,上边一行S(t)表示长时记忆，下边一行h(t)表示短时记忆
每一个小黄框代表一个前馈网络层，对，就是经典的神经网络的结构，num_units就是这个层的隐藏神经元个数，就这么简单。其中1、2、4的激活函数是 sigmoid，第三个的激活函数是 tanh。
1、 cell 的状态是一个向量，是有多个值的
2、 上一次的状态 h(t-1)和下一次的输入 x(t) 结合（concat）起来的，向量直接拼起来，比如 x是28位的向量，h(t-1)是128位的，那么拼起来就是156位的向量。
3、 cell 的权重是共享的，这是什么意思呢？这是指这张图片上有三个绿色的大框，代表三个 cell 对吧，但是实际上，它只是代表了一个 cell 在不同时序时候的状态，所有的数据只会通过一个 cell，然后不断更新它的权重。
4、那么一层的 LSTM 的参数有多少个？根据第 3 点的说明，我们知道参数的数量是由 cell 的数量决定的，这里只有一个 cell，所以参数的数量就是这个 cell 里面用到的参数个数。假设 num_units 是128，输入是28位的，那么根据上面的第 2 点，可以得到，四个小黄框的参数一共有 （128+28）*128*4，也就是156 * 512，可以看看 TensorFlow 的最简单的 LSTM 的案例，中间层的参数就是这样，不过还要加上输出的时候的激活函数的参数，假设是10个类的话，就是128*10的 W 参数和10个bias 参数
5、lstm网络的unit在深度学习网络框架中是指一层的output size(hidden size)，相当于MLP一层的神经元数目，lstm的一个cell相当于一层lstm。
总结：units_num=y，input_size=m*x，bias=y,输入和上一时刻h(t-1)是concat关系
rnn参数量（x+y)✖️y+y
lstm因为有四个单元，4*【（x+y)✖️y+y】
参考：https://www.zhihu.com/question/64470274/answer/256379387
写的比较详细的一个lstm介绍：http://www.cnblogs.com/wangduo/p/6773601.html?utm_source=itdadao&utm_medium=referral