我正在关注这篇论文。您不必阅读全部内容，因为我将尽我所能解释。考虑他们开发的网络：

该网络将 10 个值的向量作为输入。输入被馈送到卷积层。Conv 层共有三种不同类型的 384 个过滤器。这里的类型是指过滤器尺寸。每种尺寸 128 个过滤器。大小为 3,4 和 5。请注意，这些都是向量，而不是矩阵。结果总共产生了 384 个特征向量。这些特征向量被输入 Relu，然后是 maxpool。Maxpool 只从特征向量中取一个最大值。在 maxpool 层之后，我有 384 个向量，然后将其输入 FC 层。FC 层有 384 个神经元。然后是输出层，它有 3 个神经元（三个类）和一个 softmax 应用到它。

反向传播：

为了更新输出层的权重，我使用了以下等式

W ^new _ij = W ^old _ij - (learning_rate * (ActualValueOfThatNeuron - ExpectedValueOfThatNeuron)*输入_i

其中 i 是 FC 层的输入神经元到输出层的 j 个神经元。

为了计算要传播回来的梯度/误差/损失（从 FC 层神经元），我使用了以下等式：

错误^输入_i = ((ActualValueOfThatNeuron - ExpectedValueOfThatNeuron)*W _ij )

（这里的输入是指 FC 层中的一个神经元 然后计算从输入到 FC 层的权重，我使用与上述相同的等式，除了我使用 Error ^Input _ij如下所示：

W ^new _ij = W ^old _ij - (learning_rate * (Error ^Input _ij )*Input _i

然后我计算了损失/梯度/错误，以同样的方式传播回来。现在我被困在 Maxpool（尽管我什至不确定上述方法）。对于 maxpool，最大梯度为 1，其余为 0。在这种情况下，仅考虑一个神经元，我的向量可能看起来像这样 [0 loss 0 0 0 0]。我应该将它与输入特征向量相乘吗？如何进一步向下反向传播错误？

完全的新手，请尽量减少数学方程式。