所以你是正确的，反向传播的原理是做相反的操作。卷积层也是如此。

卷积层的前向传递可以表示为

$x_{i, j}^l = \sum_m \sum_n w_{m,n}^l o_{i+m, j+n}^{l-1} + b_{i, j}^l$。

其中和是您将在输入图像上传递的卷积核的形状，是该核的相关权重。是输入特征，是由它们各自的层和表示的结果值。$m$$n$$w$$o$$x$$l-1$$l$

对于反向传播，我们需要计算。$\frac{\partial x}{\partial w}$

$\frac{\partial x^l_{i, j}}{\partial w^l_{m', n'}} = \frac{\partial}{\partial w^l_{m', n'}} (\sum_m \sum_n w_{m,n}^l o_{i+m, j+n}^{l-1} + b_{i, j}^l)$。

和时才非零。然后我们得到$m=m'$$n=n'$

$\frac{\partial x^l_{i, j}}{\partial w^l_{m', n'}} = o^{l-1}_{i+m', j+n'}$。

然后我们可以将此结果放入我们计算的整体误差项中。

“为了找到 C 的误差增量，我在最大池化的反向过程之后对误差增量进行上采样，以 3x24x24 增量结束。找到每个矩阵与特征图的每个 σ' 的 hadamard 积给了我C 的误差增量。”

你为什么要进行上采样，我只是不明白。在运行 3 个 5x5 的内核后，您的初始输入大小为 28x28，您得到 3x24x24，之后，您使用步幅 2 进行最大池化，因此您的输出为 3x12x12，现在您将其展平并输出到输出层中的 10 个神经元，那又如何你的权重矩阵在这里你有两个权重张量 1）卷积部分给你一个 3x5x5 权重张量，FC 给你 10x432，池化层没有权重，所以在你的梯度计算中跳过这部分，你的雅可比形状应该匹配形状卷积部分即3x5x5。在实现时将每个内核视为一层神经网络，然后并行计算所有三个。

有关详细信息，请参阅本教程 - https://www.youtube.com/watch?v=l16RxAmP9QE&list=PLdxQ7SoCLQAMeMPpRvqXJjBSmKey0SdlH。