卷积神经网络中权值共享(shared weights)，减少了参数的数量[1]。卷积核操作过程主要分两类：单通道卷积核多通道卷积。
其中，单通道卷积如图1所示，指的是对于输入图像为32× 32，卷积核大小为5× 5，卷积核个数为6，步幅为1，边界扩充为0，则输出特征层feature map计算公式为：（Input_H+2*padding-kernal）/stride+1，那么特征层的参数量为28*28*6，其中每个kernal在遍历一次图像上的权重保持不变。
多通道卷积如图2所示，指的是对于输入通道数为4，卷积核为2*2*4，卷积核数为2，则输出的特征层上的参数量为4*2*2*2=32个参数，其中2*2是卷积核大小，4为通道数，2为卷积核的大小。
|
图 1 单通道卷积 |
图 2 多通道卷积 |
参考文献
[1] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012: 1097-1105.
