神经网络的所有层都参与反向传播过程。这包括卷积层和池化层。一般来说，输入必须通过的网络的每一步，反向传播也会通过（以相反的顺序）。

但是，并非所有层都包含可训练的参数。例如，标准池化层（最大池化、平均池化）和标准激活层（sigmoid、ReLU、softmax）没有任何参数需要调整。他们仍然参与反向传播，贡献他们的偏导数，但他们只是没有可以更新的权重。

卷积层确实包含在此过程中更新的权重（滤波器的参数及其偏差）。

注意：我假设您所说的“前馈部分”是完全连接的层，通常被放置为网络的最后一层。在标准 CNN 中，所有网络都是“前馈部分”，（包括卷积层）它只是意味着输入通过顺序管道直到成为最终输出。