最後一張圖的 Sum (pixel-wise) 是在做 Pooling 嗎？

Ans: No.

還是在這張圖之後才做 Pooling？

Ans: 這張圖是在解說卷積計算，並沒有做其他處理(例如你提的pool)，卷積層後是可以接pooling layer，pool目的是縮小feature map且希望保持feature map的特性並且減低運算量。

卷積運算: 每個input channel做各自的卷積，得到每個卷積後的feature map後，做pixelwise sum得到輸出一個feature map(output一個channel)，假設設定十個output channel，則上述運算要做不同kernel map運算十次，得到十個輸出feature map，才是一個卷積層的運算。

2. 以最後一張圖為例，有哪些參數是要由訓練決定的？kernel 的 size(3x3x3 or 4x4x3 or others)？kernel 中各元素的值？或者其它？

Ans: 最後一張圖學習的參數只有兩個卷積層的參數，是學習kernel裡面的值。輸入feature map有三個，第一層的卷積層設定兩個output channel，所以第一層卷積(kernel size我設定3*3)有2*3*3*3個參數(output channel數*input channel數*kernel size高*kernel size寬)。第二層設定3個ouput channel，所以參數為3*2*3*3個。(幾乘幾的順序為根據你用的深度學習模組定義不同而不同，要看官方的說明文件)。