CNN池化层反向传播推导

昨天晚上推CNN反向，池化层这块没推明白，不懂为什么meanpool偏导为1/（k*k）,但是上采样却变成了另一种看起来比较简单的方法。

一、明确反向传播的是什么
cost函数对某一参数的偏导，即某一参数发生变化，会对cost产生什么影响。
在已l层变化对cost的影响，我们可以进一步根据链式法则得到l-1层参数对cost的影响。
二、在池化层中
目前，我们已知的是池化后的z(l)变化对cost的影响，想要知道的是池化前的z(l-1)对cost的影响。
z(l-1)通过激活函数，变为a(l-1)，再经过池化变为z(l)。
那我们按照原来的思路，首先要做的就是将z(l)对a(l-1)求偏导，看看a(l-1)的改变会导致z(l)如何变化——
换句话说，就是求为了减小cost分到z(l)上应该改变的部分，再分到a（l-1）上应该减少多少。（这个思想比较重要，因为你会发现z(l)好像不是那么容易对a(l-1)求偏导，因为维度不太一样【我也不知道能不能，应该是不能叭，至少不像之前见过的那么简单】）**因此这个求偏导的过程，也就是向前一层分需要减少cost值的过程，要保证前一层能够负起责任，将减少cost的任务完整地从z(l)层接过来。在这里面我们就让z(l)层的一个元素的梯度传递k*k个元素就好了，保证总的梯度不变。具体，不同的池化方法，分配方式不同，但是都不难理解。
三、问题来了，那么之前求偏导的过程也是保证每层传递的梯度不变吗࿱