下面再给出一个caffe中的具体例子（mnist的lenet_train_test.prototxt）：
用 link1 的方法画出网络模型图如下（图片有点小~~具体的数字可以参考 lenet_train_test.prototxt）：
该网络主要有两个卷积层和两个全连接层，具体可以简化如下图（两个卷积层的卷积核都为5*5，步长stride都为1，两个pool层都为2*2，步长为2）：
下面是对各层w和b参数的计算，（如果对参数数量计算方式不是很了解的可以参看下面的这篇博文： link2）
-
conv1：
- w数量：5*5*1*20=500
- b数量：20
-
conv2:
- w数量：5*5*20*50=25000
- b数量：50
-
ip1:
- w数量：1*1*(4*4*50)*500=400000
- b数量：500
-
ip2:
- w数量：1*1*500*10=5000
- b数量：10
把上面各层的参数相加得到：
(500 + 20) + (25000 + 50) + (400000 + 500) + (5000 + 10) = 431080
即总共有431080个w和b参数，因为每一个参数以float类型(4 Bytes)存储，所以存储这么多参数需要的空间为：
431080 * 4 = 1724320 (Byte) 约等于 1.64 MB 。
计算出来的结果和训练得到的caffemodel的大小差不多（稍微小了一点）。
到这里，我们就基本上解释了怎么估算一个caffemodel的大小了。上面还卖了个关子，提到w和b参数除了和网络结构有关以外，还和网络的输入有关。
以上面的mnist例子来说，假如输入不是28*28而是N*N（这里N是比28大的一个整数），那么假设pool2的输出表示为n*n（在网络结构不变的情况下，这里的n比4大），所以也就导致了ip1全连接层的w参数数量增多（ip1的w参数数量为 n*n*50*500），从而导致了caffemodel大小的变化。
从上面的计算大家也可以看到，一个网络的大小很大程度上取决于全连接层，第一个全连接层的连接数（参数数量）一般是最多的。后来《Network in Network》把全连接层换成average pooling，目的就是为了减小参数的数量。有兴趣的朋友可以搜一搜这篇论文看看。
大概就这样吧~~