Python 为什么卷积网络的训练比完全连接的网络慢得多

这是我建立的卷积神经网络：

相比之下，这里是一个只有密集层的常规ANN：

参数的数量相当相似。两者都用于对MNIST数据集（60.000个28x28数组）中的手写数字进行分类。独立于我的计算能力，CNN的训练速度要慢很多。 60.000张图像上250个时代的ANN：0:05小时 CNN在30000张图片上播放20个时代：12:00小时

所以问题是为什么？我的猜测是由于CNN的参数共享，参数的数量可能相似，但卷积层的一个参数被多次使用：

28x28图像上的3x3内核->每个参数使用约784次（相同的填充） 使用32个内核，这将产生28x28x32输出（在汇集14x14x32之后）。下一个卷积层的内核是3x3x32，所以这里每个参数将使用大约6.272次

---

对整个培训过程有更多了解的人能同意或不同意我的观点吗？或者你对这个话题还有其他想法吗

我认为CNN架构中的瓶颈是扁平化4层，因为它需要将输入矩阵重塑为下一层的向量。在ANN架构中，这种重塑不会发生，对吧？泄漏的relu和最大池也是额外的计算。