以经典的LeNet-5例子来逐层分析各层的参数及连接个数：
C1卷积层：有6个feature map，每个feature map中的每个神经元（每个点）与一个5*5的卷积核相连接；该卷积核大小为5*5，padding为0，stride为1；
1、特征图的大小：feature_map = (input_size + padding*2 - 卷积核的边长 + 步长stride) / 步长
特别注意：卷积向下取整，池化向上取整（计算方法都一样）
解释说明：input_size + pading*2 得到的是整个输入图片的全部有效边长；
减去卷积核的边长是因为：卷积核沿原图边长一个像素点一个像素点的扫描，直到卷积核的右边沿触碰原图的右边沿，还有卷积核边长这么宽的位置没有扫描。
加上步长：加上刚减去的卷积核的重叠的部分；
除以步长：不知道是什么鬼？还没理解。。。
补充说明：padding的作用：当卷积核滑动出现空白时为图像补0，补一圈0时，padding=1，两圈0时padding=2；
2、参数的个数：c1层有（5*5+1）*6=156个参数，公式为（卷积核的大小+偏置项）*该层卷积核的个数
补充说明：偏置项的作用：类似于y=kx+b中的b，偏置项可以调整**函数，使得**函数左右移动
3、链接个数：(5*5+1)*6 *(28*28)=122,304个，公式为 6个feature map上每个神经元的所有参数即[（卷积核的大小+偏置项）*该层卷积核的个数 ] * 每个feature map上的神经元个数（即feature map的大小）
参考https://blog.csdn.net/qq_15192373/article/details/78536107