該文檔參考了：http://www.cnblogs.com/tornadomeet/p/3468450.html

在此表示感謝。

一般而言，多類別神經(jīng)網(wǎng)絡(luò)的輸出一般采用softmax形式，即輸出層的激活函數(shù)不采用sigmoid或者tanh函數(shù)。那么神經(jīng)網(wǎng)絡(luò)的最后一層的輸出則為

下面看從pooling層到卷積層的誤差如何反向傳播，和多層神經(jīng)網(wǎng)絡(luò)一樣，可以通過層與層間的連接實(shí)現(xiàn)誤差傳播，只是計(jì)算公式變?yōu)?#xff0c;

其中的系數(shù)根據(jù)pooling的方法賦值，如果是mean-pooling則把pooling層的誤差平均到其4個輸入上，如果是max-pooling則把誤差全部反向傳播到其輸入上。

接下來看如何計(jì)算卷積層反向傳播到pooling的誤差，pooling層中的1個feature map與M個卷積層的feature map的相連接，那么該pooling層的誤差項(xiàng)的計(jì)算公式如下，

上述公式中*號表示卷積操作，即將核函數(shù)K旋轉(zhuǎn)180度后再與誤差項(xiàng)做相關(guān)操作，然后再求和。

最后研究在求得各層的誤差項(xiàng)后如何計(jì)算與卷積層相連接的核函數(shù)的偏導(dǎo)數(shù)，計(jì)算公式如下，

即將卷積層的誤差項(xiàng)旋轉(zhuǎn)180度后與其輸入層做相關(guān)操作就可以得到核函數(shù)的偏導(dǎo)數(shù)。

而偏置項(xiàng)的偏導(dǎo)數(shù)則由誤差項(xiàng)內(nèi)所有元素相加得到。

總結(jié)

以上是生活随笔為你收集整理的卷积神经网络（二）：卷积神经网络CNN的BP算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。