深度学习的数学-卷积神经网络的误差反向传播 - 九层台

[wangerzi]

https://blog.wj2015.com/2020/03/12/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E6%95%B0%E5%AD%A6-%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E8%AF%AF%E5%B7%AE%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD/

前言本篇博客主要记录反向传播法在卷积神经网络中的应用，如何像全连接的隐藏层那样，通过输出层的神经单元误差反向推算出所有层的神经单元误差，最终得到梯度。 正文博主在看完卷积神经网络的正向运作流程后，其实是有一点懵圈的，于是我冷静了一天再继续看卷积神经网络的反向传递；正向运作流程中的 『池化』、『特征映射』应该怎么样用式子表示？经过了池化（最大/平均/L2）的神经单元输入，又怎样体现在神经单元误差的计