卷积神经网络公式详细推导

⑴卷积神经网络的数学推导及简单实现我们来看网络的第一种模式：
这是简单网络的前半部分，没有全连接层，已经有卷积层和2X2层。 看不懂，只能百度搜索。 直接输入下面的表格。 ：
输入节点重，激活函数ReLU
计算后。 MaxPooling是：
卷积层和PoolingManagement计算层是绝对的。 虽然通常使用的层数不止一层，但它们都可以应用于全连接层：
如图所示，maxpooling的效果是“平坦”的输入向量层为全连接：
这是DNN的先验推导，不再赘述：
http://www.jianshu.com/p/bed8d5dac958
我们已经知道如何计算全连接层的误差传播并传递卷积层了：上图中，（全连接）层有一个FC误差层x1是最大值，不难求得。 以下偏导数：
因为只有该项在x5中具有最大重要性，因此偏导数其余项均为0，并且因为：
，因此：

如下图所示：
合成层没有需要更新的参数。 ，这样我就可以立即将错误传递给上层。 接下来的问题是知道卷积的上层（即前面计算的最近层）的误差，找到卷积的误差并更新卷积。 细胞核。
首先识别出上层的错误节点，我们看看如何更新卷积核的斜率。 当一个人对所有人都有偏见时，根据全导数公式：
上面讨论了输入节点太重，因此：
最后，错误继续向上。 如下图：
公式如下：
卷积写成：
终于写完了，不过这部分有点粗糙的。 下次我会做得更好。

⑵CNN原理解析然后，通过CNN可视化，CNN识别出局部特征对应的位置后；它们可以被分割在一起以识别整体。
CNN是一个卷积层；它由样本层和全连接层组成，大致流程如下：
对于输入图像；假设只有一个通道。 为如下图所示的二维矩阵；一张5*5的图像经过3*3的滤波器，得到3*3结果的运算过程如下：3*3矩阵和滤波器进行蓝框运算后；我们在结果矩阵中得到蓝色4。 然后卷积核向右移动一个单元并与红色框中的九个数字一起得到结果中的红色3，并按此顺序向右向下移动以获得最终结果。

实际上，输入图像一般是RGB格式，三通道，所以同时需要三个卷积核，
卷积的计算公式：输入一张图像后，结果是复数，结果与原图像的大小和卷积核有关。 先说几个概念：
下面的公式是：
      
其中：
实际上，这样一个简单的操作就大大提高了我们的进度。 效率及其优点如下：
参考：
简介：卷积神经网络（CNN）
卷积神经网络（CNN）