第一个模型 运行结果： 解释: （1）用一个卷积核 3*3*3 对三通道图像 150*150*3 进行卷积则权重值有 27 个，加上一个偏置。则此层个数为 28 个。 （2）卷积后，进行 padding 补零。后得到一个 75*75 的单通道的灰度图像。 （3）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 5625 个。 （4）上面的 5625 个神经元与第一个 dense 层的 16 个神经元全链接，有未知参数个数(75*75+1)*16=90016 个 （5）上面的 16 个神经元与最后一个 dense 层的两个神经元全连接，有未知参数个数(16+1)*2=34 个。 （6）因此，总共的未知参数个数为 28+90016+34=90078 个。 

第二个模型 运行结果： 解释: （1）用两个 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)*2=56。 （2）卷积后，进行 padding 补零。后得到两个 75*75 的单通道的灰度图像。 （3）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*2=11250 个。 （4）上面的 11250 个神经元与第一个 dense 层的 16 个神经元全链接，有未知参数个数(75*75*2+1)*16=180016 个。 （5）上面的 16 个神经元与最后一个 dense 层的两个神经元全连接，有未知参数个数(16+1)*2=34 个。 （6）因此，总共的未知参数个数为 56+180016+34=180106 个。 

第三个模型 运行结果： 解释: （1）用二十个 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)*20=560。 （2）卷积后，进行 padding 补零。后得到二十个 75*75 的单通道的灰度图像。 （3）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*20=112500 个。 （4）上面的 112500 个神经元与第一个 dense 层的 64 个神经元全链接，有未知参数个数(75*75*20+1)*64=7200064 个。 （5）上面的 64 个神经元与最后一个 dense 层的两个神经元全连接，有未知参数个数(64+1)*2=130 个。 （6）因此，总共的未知参数个数为 560+7200064+130=7200754 个。 

第四个模型 运行结果： 解释: （1）用一个 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=28。 （2）用一个 3*3*1 的卷积核对单通道图像 150*150*1 进行卷积。该卷积核有一个偏置。此层参数的个数为 3*3+1=10。 （3）卷积后，进行 padding 补零。后得到一个 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=5625 个。 （5）上面的 5625 个神经元与第一个 dense 层的 64 个神经元全链接，有未知参数个数(75*75+1)*64=360064 个。 （6）上面的 64 个神经元与最后一个 dense 层的两个神经元全连接，有未知参数个数(64+1)*2=130 个。 （7）因此，总共的未知参数个数为 28+10+360064+130=7200754 个。 

第五个模型 运行结果： 解释: （1）用三个 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)*3=84。 （2）经过上面的操作，生成了三幅尺寸为 150*150*1 的图像。则用两个 3*3*3 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*3+1)*2=56。 （3）卷积后，进行 padding 补零。后得到两个 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*2=11250 个。 （5）上面的 11250 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*2+1)*128=1440128 个。 （6）上面的 128 个神经元与最后一个 dense 层的两个神经元全连接，有未知参数个数(128+1)*2=258 个。 （7）因此，总共的未知参数个数为 84+56+1440128+258=1440526 个。