輸入input： 32 x 32 的影象
使用:    6個 5x5  stride為 1的卷積核
神經元 個數： （32－5+1） * （32 －5 ＋1） ＝ 28 ＊ 28 個。也就是每一個feature map的大小就是28 * 28 。  其中，32-5是卷積核可以滑過並得到一次計算結果的次數（因為步幅是1），+1是卷積核放在最開始的位置上還沒開始滑動時的一次計算結果。
那麼這一層一共有 （5*5 ＋1）*6個可訓練引數，其中5*5為卷積核的大小，1為一個bias引數， 6為6種卷積核。
注意如果是三通道，三個通道的權重並不共享。 所以對於以上的計算，三通道的引數數量應該還要乘以3。個人總結的 feature map 和 神經元的關係 及其他概念的關係 : feature map 和 神經元的關係：單個卷積核情況下：
 神經元是 前一層wx+b 到下一層的計算過程，所謂這一層的連線數，也就是有多少個 wx+b的連線（一個卷積核有多個w只有一個bias）
 一個feature map 是多個（比如M個）神經元計算的結果彙總多個卷積核情況下：同一層可以有多個（比如N個）卷積核，每個卷積核對應（卷積的結果是）一個feature map ，也就是這一層有N個feature map， 那這一層共有 N*M個神經元。（如果每個fm的神經元個數不一樣，則累加每個fm的神經元個數）可訓練引數個數， 與神經元的個數無關，只與卷積核的大小及卷積核的個數相關，還有通道數神經元個數，       除了卷積核大小和個數，還與步幅相關。步幅越大，神經元個數越小
feature map的每個點都是一個神經元的輸出。所以 神經元個數 = 特徵圖大小
連線個數= sigma(單個卷積核引數個數*神經元個數)  （單個卷積核會用同樣的卷積核引數，每多滑動一下，多生成引數個連線）
CNN權值共享就是同一個Feature Map中神經元權值共享，該Feature Map中的所有神經元使用同一個權值。這與全連線相比，引數減少太多了（整個影象的矩陣大小到卷積核的矩陣大小）