卷积网络中的可学习参数有哪些？

（1）卷积层
卷积层的参数就是卷积核的总数加上偏置数，例如一个14* 14* 6 (6为通道数)的特征图，经过5* 5* 16的卷积核，那么这层的参数为5* 5* 16* 6+16=2416个参数(注意要乘上一层的通道数)。
（2）池化层
池化层很有意思的特点就是，它有一组超参数，但并没有参数需要学习。实际上，梯度下降没有什么可学的，一旦确定了kernel的stride，它就是一个固定运算，梯度下降无需改变任何值。
（3）全连接层
全连接也有偏置的，例如一个5* 5* 16 (16是通道数)的特征图后面接一个120个节点的全连接层，那么这层全连接层的参数总共为5* 5* 16*120+120 =48120个参数。

附上pytorch打印出来的参数值：

params = list(net.parameters())
print(len(params))
for i in range(10):
    print(params[i].size())

输出：
10

torch.Size([6, 1, 5, 5])
torch.Size([6])
torch.Size([16, 6, 5, 5])
torch.Size([16])
torch.Size([120, 400])
torch.Size([120])
torch.Size([84, 120])
torch.Size([84])
torch.Size([10, 84])
torch.Size([10])