该Flatten层本身没有可学习的参数（它执行的操作完全由构造定义）；仍然，它必须将梯度传播到前一层。

通常，该Flatten操作是适定的，因为无论输入形状是什么，您都知道输出形状是什么。

当你反向传播时，你应该做一个“Unflatten”，它将一个扁平的张量映射到一个给定形状的张量，并且你知道那个特定的形状是从前向传递中得到的，所以它也是一个合适的操作。

更正式的

假设您Img1输入了Flatten图层

$$\begin{pmatrix} f_{1,1}(x; w_{1,1}) & f_{1,2}(x; w_{1,2}) \\ f_{2,1}(x; w_{2,1}) & f_{2,2}(x; w_{2,2}) \end{pmatrix}$$

所以，在你的输出中

$$\begin{pmatrix} f_{1,1}(x; w_{1,1}) & f_{1,2}(x; w_{1,2}) & f_{2,1}(x; w_{2,1}) & f_{2,2}(x; w_{2,2}) \end{pmatrix}$$

当你计算梯度时，你有

$$\frac{df_{i,j}(x; w_{i,j})}{dw_{i,j}}$$

并且所有内容都与前向传递中的位置相同，因此 unflatten 从张量映射到(1, 4)张(2, 2)量。

是的，一个简单的重塑就可以了。扁平化层只是重塑数据/激活以使其与其他层/功能兼容的工具。展平层本身不会改变激活，因此除了改变形状之外不需要特殊的反向传播处理。