参数数量估算
输入层宽、卷积核数与通道数，估算全连接层与卷积层参数量，适用于模型规模评估、显存预算与轻量化设计。
🔮 Neural Network Parameter Count Estimator
Estimate the parameter count of fully-connected and convolutional layers from layer widths, kernel sizes and channel counts. Useful for model sizing and memory budgeting.
📐 计算公式 / 原理
全连接参数 = in × out + out（偏置）；3×3 卷积参数 = in × out × 9 + out；显存 MB = 参数 × 4 / 1024 / 1024
按层的权重矩阵规模累加估算参数量，再按每参数 4 字节（FP32）折算显存。这只是推理权重的下限，训练还要额外放梯度、优化器状态（Adam 再翻 2 倍）与激活值，实际占用通常是权重的 4–6 倍。
📐 计算公式与说明
全连接：params = in × out + out（bias）
卷积 3×3：params = in × out × 9 + out
卷积 3×3：params = in × out × 9 + out
用于快速估算模型规模。
📚 深度解析：参数数量估算
💡 常见使用场景
- 全连接层参数=(输入维度+1)×输出维度，+1 为偏置。
- 卷积层参数=(k²×C_in+1)×C_out，k 为核边长；深度可分离卷积参数量显著降低。
- 参数量直接决定显存(≈参数量×精度字节)与推理延迟，是轻量化设计的核心约束。
卷积层参数量
3×3 卷积、输入通道 64、输出通道 128：参数=(3²×64+1)×128=(576+1)×128=73728。若改为深度可分离(3×3×64+1×64×128)=576+8192=8768，仅为原先约 12%。
❓ 常见问题（FAQ）
- 为什么卷积层参数量远小于全连接？
- 卷积权值共享且局部连接，参数只与核大小、通道数有关，与特征图尺寸无关；全连接则随输入输出维度乘积增长。
- 偏置是否总要加？
- 并非必须。BN 后接的卷积常设 bias=False 以免冗余；最后一层或需学习截距时保留偏置。
如何使用参数数量估算
- 按页面提示逐项填写或选择所需参数。
- 点击「计算」或「生成」按钮运行。
- 在结果区查看输出，可复制结果或导出使用。
参数说明
- 输入维度
- 输出维度
- 是否含偏置 1=是
- 是否卷积 1=是
适用场景
全连接层参数=(输入维度+1)×输出维度，+1 为偏置。
常见问题
- 为什么卷积层参数量远小于全连接？
- 卷积权值共享且局部连接，参数只与核大小、通道数有关，与特征图尺寸无关；全连接则随输入输出维度乘积增长。
- 偏置是否总要加？
- 并非必须。BN 后接的卷积常设 bias=False 以免冗余；最后一层或需学习截距时保留偏置。