卷积核是如何更新的_什么？卷积层会变胖？人工智能之光---CNN卷积神经网络（原理篇）...

0.学习路径示意图

Hello，各位小伙伴大家晚上好呀，你们期待已久的CNN卷积神经网络原理篇要来咯。上期我们讲到神经网络已经逐步成为人类智能生活的璀璨明珠，并介绍了BP神经网络的整个训练过程，整个流程紧凑而又科学，似乎BP神经网络已经能解决很多问题了，但细心的小伙伴会发现博主并没有提及BP神经网络的缺点，是的，博主并没有提及，其实是博主忘记了....

But，这并不影响我们CNN的教学，这期内容博主正好通过BP神经网络的缺点来开展CNN的教学，换个角度想，这还起到承上启下的作用，刺不刺激，惊不惊喜？这都能被博主圆了过来。

好了，废话不多说，这期内容主要分为以下几点：

1. BP神经网络的局限性
2. CNN卷积神经网络的原理
3. CNN卷积神经网络的超参数设置
4. 总结

1.BP神经网络的局限性
相信看过上期的内容的小伙伴们应该都会比较熟悉BP神经网络了。没有看过的小伙伴也可以去看一看，BP神经网络虽然我们不常用，但是它的原理是CNN,RNN，乃至于其他网络结构都会涉及的。

深度学习开端---BP神经网络​mp.weixin.qq.com

为了讲清BP网络的局限性，博主还是拿出上期画的最简单的BP网络结构图来讲解，相信小伙伴们对这个图也不陌生了把。想一下，上一期我们为了求解损失Loss 列出了关于w，b 的方程，并通过梯度下降的方法去求解最佳的（w , b），从而得到最小的损失Loss。换言之，上一期的内容我们简单来讲就是站在山上找最陡峭的地方（梯度），不断地往下走，一直走到山谷，这时候的我们所在坐标（w , b）就是Loss方程的最优解。
为此，针对上面的这个网络结构，我们要对隐藏层和输出层求4个偏导，又因为隐藏层的输出作为输出层的输入，这时我们就要用到求偏导的链式法则，公式如下：

由上面的公式，我们可以看出，两个神经元，为了求出隐藏层和输出层最佳的（w , b），我们就要求四个偏导，期间还得为链式求导付出4次连乘的代价。

现在，重点来了，如上图，倘若我们的网络层次越深，偏导连乘也就越多，付出的计算代价也就越大。
仅接着，