一、cnn引數計算

假設輸入7*7*3，卷積核3*3*2，stride=(1,1),輸出是3*3*2

引數量計算：fileter_size✖️input_channel✖️output_channel

解釋:引數量與輸入尺寸無關，只是卷積核的引數，每一個卷積核首先對input_feature所有通道做卷積，得到 n*n*input-channel，然後input_channel個n*n  的feature_map相同位置數目相加，再➕bias,得到n*n*1的feature_map輸出，因為有output_channel個filter,所以輸出n*n*output*channel(通俗容易想象的解釋）

二、lstm引數計算

lstm原理圖，一個綠色框是一個cell,上邊一行S(t)表示長時記憶，下邊一行h(t)表示短時記憶

每一個小黃框代表一個前饋網路層，對，就是經典的神經網路的結構，num_units就是這個層的隱藏神經元個數，就這麼簡單。其中1、2、4的啟用函式是 sigmoid，第三個的啟用函式是 tanh。

1、 cell 的狀態是一個向量，是有多個值的

2、 上一次的狀態 h(t-1)和下一次的輸入 x(t) 結合（concat）起來的，向量直接拼起來，比如 x是28位的向量，h(t-1)是128位的，那麼拼起來就是156位的向量。

3、 cell 的權重是共享

4、那麼一層的 LSTM 的引數有多少個？根據第 3 點的說明，我們知道引數的數量是由 cell 的數量決定的，這裡只有一個 cell，所以引數的數量就是這個 cell 裡面用到的引數個數。假設 num_units 是128，輸入是28位的，那麼根據上面的第 2 點，可以得到，四個小黃框的引數一共有 （128+28）*128*4，也就是156 * 512，可以看看 TensorFlow 的最簡單的 LSTM 的案例，中間層的引數就是這樣，不過還要加上輸出的時候的啟用函式的引數，假設是10個類的話，就是128*10的 W 引數和10個bias 引數

5、lstm網路的unit在深度學習網路框架中是指一層的output size(hidden size)，相當於MLP一層的神經元數目，lstm的一個cell相當於一層lstm。

總結：units_num=y，input_size=m*x，bias=y,輸入和上一時刻h(t-1)是concat關係

rnn引數量（x+y)✖️y+y

lstm因為有四個單元，4*【（x+y)✖️y+y】

參考：https://www.zhihu.com/question/64470274/answer/256379387

寫的比較詳細的一個lstm介紹：http://www.cnblogs.com/wangduo/p/6773601.html?utm_source=itdadao&utm_medium=referral