Parameters 如何计算三维卷积层的可训练参数数？

我是CNN的初学者，我在构建网络时使用3D卷积层，但我无法理解该卷积3D层的可训练参数是如何计算的。这里是具有输入形状（3,16112112）（通道、帧、高度、宽度）的简单单层网络的示例，即大小为（112*112）的16个RGB图像：

---

摘要显示了5248个可训练参数，有人能告诉我这个数字是如何产生的吗？

可训练参数指的是网络中的所有权重和偏差，以及3D卷积层中卷积滤波器中的值。这意味着卷积滤波器中有5248个不同的连接权重、偏差和值是可训练的

网络也可能有不可训练的部分，如最大池层。该层的功能不受训练的影响

权重数=内核宽度*内核高度*内核深度（因为3d）x输入图像中的通道数*内核数

偏差数=内核数

所以对你来说：

配重数=3 x 3 x 3 x 64=5184

偏差数量=64

---

参数数量=5184+64=5248

@convalutionboy谢谢您的回复，我知道这5248是可培训的，但我想知道如何计算它们？我找到了一些例子来解释如何计算二维卷积层中的参数数量，但对于三维卷积层，计算参数的方法不同。非常感谢，这就是我要找的。：）

def get_model(summary=False):

model = Sequential()
model.add(Convolution3D(64, (3, 3, 3), activation='relu', 
                        padding='valid', name='conv1',
                        strides=(1, 1, 1), 
                        input_shape=(3, 16, 112, 112)))
if summary:
    print(model.summary())
return model