步幅 > 1 的反向传播涉及梯度张量的扩张，步幅为 1 零。我创建了一篇博客文章，更详细地描述了这一点。

从下面链接的帖子中找到的论文：

“我们发现，在几个图像识别基准测试中，最大池化可以简单地用一个步幅增加的卷积层代替，而不会损失准确性”

这意味着只有值被跳过（=池化）到矩阵中，否则所有的工作都像卷积一样。

资料来源：

https://arxiv.org/pdf/1412.6806.pdf

https://stackoverflow.com/questions/44666390/max-pool-layer-vs-convolution-with-stride-performance

我也有同样的问题，我试图用 stride 推导出卷积层的反向传播，但它不起作用。

当您在前向传播中进行跨步时，您选择彼此相邻的元素与内核进行卷积，然后执行步。这导致在反向传播中，在反向操作中，增量矩阵元素将乘以内核元素（带有旋转）但不是跨步，但是您正在选择不相邻的元素，像之类的东西，它不等同于卷积步幅。$>1$$DY_{11} * K_{11} + DY_{13} * K_{12} + DY_{31} * K_{21} + DY_{33} * K_{22}$$>1$

所以就我而言，如果我想自己实现 ConvNet 以更好地理解这个概念，我必须为反向传播实现不同的方法，如果我允许大步前进的话。