卷积核大小对网络参数和计算量的影响

卷积核的大小，网络的深度，多尺度图片

从上表可以看出，大卷积核带来的特征图和卷积核得参数量并不大，无论是单独去看卷积核参数或者特征图参数，不同kernel大小下这二者加和的结构都是30万的参数量，也就是说，无论大的卷积核还是小的，对参数量来说影响不大甚至持平。增大的反而是卷积的计算量，在表格中列出了计算量的公式，最后要乘以2，代表乘加操作。为了尽可能证一致，这里所有卷积核使用的stride均为4，可以看到，conv3x3、conv5x5、conv7x7、conv9x9、conv11x11的计算规模依次为：1600万，4500万，1.4亿、2亿，这种规模下的卷积，虽然参数量增长不大，但是计算量是惊人的。

引自https://blog.****.net/weixin_40031404/article/details/80133583

疑问很大，计算量确实是增大不少，，但是参数这个就有疑问了，文章中说到 无论是单独去看卷积核参数或者特征图参数，不同kernel大小下这二者加和的结构都是30万的参数量    这句话也没疑问，，，但是特征图中元素个数feature sum 能算作参数吗？？？这个是前层网络和卷积核计算出得到的结果，卷积核元素个数是参数

因此这才是大小卷积核    参数个数  与  计算量  的区别；