keras搭建卷积神经网络模型中，参数个数的计算方式

_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d_5 (Conv2D) (None, 150, 150, 12) 336
_________________________________________________________________
conv2d_6 (Conv2D) (None, 150, 150, 5) 545
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 75, 75, 5) 0
_________________________________________________________________
flatten_3 (Flatten) (None, 28125) 0
_________________________________________________________________
dense_5 (Dense) (None, 128) 3600128
_________________________________________________________________
dropout_3 (Dropout) (None, 128) 0
_________________________________________________________________
dense_6 (Dense) (None, 10) 1290
=================================================================
Total params: 3,602,299
Trainable params: 3,602,299
Non-trainable params: 0
_________________________________________________________________

解释:
（1）用一十二个3*3*3的卷积核对三通道图像150*150*3进行卷积。每一个卷积核有一个偏置。
则此层参数个数为(3*3*3+1)*12=336。
（2）经过上面的操作，生成了一十二幅尺寸为150*150*1的图像。则用五个3*3*12的卷积核对单通道图像150*150*1
进行卷积。每个卷积核有一个偏置。此层参数的个数为(3*3*12+1)*5=545。
（3）卷积后，进行padding补零。后得到五个75*75的单通道的灰度图像。
（4）将图像的每一个像素看成一个神经元，然后平铺开来有神经元个数75*75*5=28125个。
（5）上面的28125个神经元与第一个dense层的128个神经元全链接，有未知参数个数(75*75*5+1)*128=3600128个。
（6）上面的128个神经元与最后一个dense层的十个输出神经元全连接，有未知参数个数(128+1)*10=1290个。
（7）因此，总共的未知参数个数为336+545+3600128+1290=3602299个。