你还不知道？更新参数

前言

前面介绍到卷积的话有卷积操作和pooling操作，而反向传播算法是针对全连接层的，对于卷积核pooling操作要怎么更新参数呢？如何利用反向传播更新参数？

卷积神经网络指包含卷积层（经常与Pooling层一起）的神经网络模型。

卷积层如何反向传播？

Max Pooling层如何反向传播？

Pool层误差反向传播

我们看一下前馈计算，在每一个向量里边我们找到最大值，用最大值表示max pooling操作的结果，得到前馈计算的值，这个前馈计算最为下层的输入，我们可以进行计算。然后反向传播呢？

通过这些节点能计算出误差值，误差值怎么对max pooling进行反向传播呢？只需要对应的把误差传到对应的位置上就行，对应的来源。

卷积层误差反向传播

它跟正常全连接网络的不同点：它是共享参数的，每一个值都是用一套参数计算出来的，所以说你从每个反向传播得到每个节点的误差之后，你再往回传播的时候，它这些节点都是共享的，如果是m个的话，通过这套参数就能得到m个梯度值，因为每次传播可以计算出一个梯度。现在怎么办？我们把m个梯度相加起来作为最终的梯度然后更新一次。

共享参数

小结

• Pooling层更新参数

• 卷积层更新参数