卷积核
CNN(卷积神经网络)的误差反传(ERROR back propagation)中有一个非常关键的的步骤就是将某个卷积(Convolve)层的误差传到前一层的池化(Pool)层上，因为在CNN中是2D反传，与传统神经网络中的1D反传有点细节上的不同，下面通过一个简单的例子来详细分解一下这个反传步骤。
假设在一个CNN网络中，P代表某个池化层，K代表卷积核，C代表卷基层，首先来看一下前向(feed forward)计算，从一个池化层经过与卷积核(Kernel)的运算得到卷积层:
将前向计算的步骤进行分解，可以得到以下公式：
下面根据这个前向计算的步骤来分解出反向传播的步骤：
首先要确定误差传播的目的地，从deltaC到deltaP，所以先从deltaP1开始分析
从前面的前向计算过程中可以找出P1参与了C中哪些元素的计算，并且可以根据对应的前向计算得出反向传播的计算公式：
依次类推，还有如下公式：
对于P2
对于P3
对于P4
对于P5
一直可以推到P9
总结这9个反向传播的公式到一起：
进一步可以发现，这9个公式可以用如下的卷积过程来实现：
至此，从计算的细节上解释了为什么反向传播的时候要把卷积核旋转180°，并采用full的形式来进行卷积运算。
(注：上文所说的“卷积”被认为是一种不会180°旋转第二个因子的的计算过程，实际上Matlab中的的conv2(a,b)会自动180°旋转b，换句话说，在matlab中实现这个步骤的时候不用提前旋转，留给conv2函数自行旋转即可)
文章最后发布于: 2018-11-27 12:12:19
相关阅读
原文地址: https://www.computationalimaging.cn/2018/11/matlab.html卷积计算起来较为繁琐, 若能够用matlab辅助计算则会简单很
事实证明，这个世界的本质是张量的流动。 （一）构造双层卷积层和池化层 from tensorflow.examples.tutorials.mnist import input_dat
转载： https://www.cnblogs.com/Yu-FeiFei/p/6800519.html https://www.cnblogs.com/hans209/p/7103168.html https://blog.csdn.n
卷积公式的由来 卷积公式与Laplace变换的联系Laplace变换公式：F(s)=∫0∞f(t)e−stdtG(s)=∫0∞g(t)e−stdtF(s) = \int_0^\in
卷积神经网络（Convolutional Neural Network）是一个专门针对图像识别问题设计的神经网络。它模仿人类识别图像的多层过程：瞳孔摄入像