“开启掘金成长之旅！这是我参与「掘金日新计划 · 2 月更文挑战」的第 9 天，点击查看活动详情”

引言

Pooling层输出值的计算

Pooling层主要的作用是下采样，通过去掉Feature Map中不重要的样本，进一步减少参数数量。Pooling的方法很多，最常用的是Max Pooling。Max Pooling实际上就是在n * n的样本中取最大值，作为采样后的样本值。下图是2*2 max pooling：
除了Max Pooing之外，常用的还有Mean Pooling——取各样本的平均值，经过pooling层后深度是不变的

net^{l} = conv(W^{l}, a^{l - 1} + w_{b})\tag{1}

a_{i,j}^{l-1} = f^{l-1}(net^{l-1}_{i,j})\tag{2}

\delta_{i,j}^{l-1} = \frac{\partial{Ed}}{\partial{net_{i,j}^{l-1}}} = \frac{\partial{Ed}}{\partial{a_{i,j}^{l-1}}}*\frac{\partial{a_{i,j}^{l-1}}}{\partial{net_{i,j}^{l-1}}}\tag{3}

首先该文与参考原文相比还是有大量删减的部分，推荐理解时候可以直接看参考资料，还有就是公式太多，所以只能截图偷个懒儿，但是该文可以大体帮助理解如何进行反向传播
关于代码，个人搜集了很多手搓系列，相比较于MLP，CNN手搓代码复杂很多，个人看完后也没有更简介的方法，依然需要好几百行代码实现，所以参考资料中有包含手搓代码的文章，想要自己手搓的可以试试
个人后续会整理一份pytorch版本的代码（图片不清的可以看主要参考资料，微信链接方式打开可以看到图，用浏览器看容易吞图）