假设一个卷积层的输入的特征图（feature maps）数量（input channels）为“n”，输出为特征图数量为“m”，卷积核（kernel size）为“k”。假设我们处理的是一个2D的卷积操作，卷积层对应的输入的参数量为k * k * n，与此同时，由于输出为m通道的特征图数量，为了映射到输出卷积层需要学习（k * k * n）* m个参数，但是这里不能忽略掉偏差项（由z = wx + b得知），由于一般卷积操作是矩阵运算，因此b是具有broadcasting的特性的，那么最终需要计算的当前卷积层的参数两为（k * k * n + b）* m。