我正在尝试使用 python Numpy实现CNN 。
我搜索了很多，但我发现的只是一个带有一个卷积通道的过滤器。

假设我们有一个X作为具有这种形状的图像：(N_Height, N_Width, N_Channel) = (5,5,3)

假设我有16这种形状的过滤器(F_Height, F_Width, N_Channel) = (3,3,3)：stride=1和padding=0

前锋：

conv2d 之后的输出形状将是

(
math.floor((N_Height - F_Height + 2*padding)/stride + 1 )),
math.floor((N_Width- F_Width + 2*padding)/stride + 1 )),
filter_count
)

所以这一层的输出将是一个具有这种形状的数组：(Height, Width, Channel) = (3, 3, 16)

反向传播：

认为$dL/dh$是我的层在这种形状的反向传播中的输入：(3,3,16)

现在我必须找到$dL/dw$和$dL/dx$：$dL/dw$更新我的过滤器参数和$dL/dx$将其作为输入传递给前一层，作为输入X的损失。

从这个答案中关于过滤器权重的错误我发现了如何计算$dL/dw$.

我在BackPropagation中遇到的问题是我不知道如何计算$dL/dx$具有这种形状：(5,5,3)并将其传递到上一层。

我在 Medium 和其他网站上阅读了很多文章，但我不知道如何计算它：

反向传播在 CNN 中的工作原理
互联网上对卷积神经网络的最佳解释！
卷积神经网络中的反向
传播 如何将误差传播回 CNN 中的前一层？

提前致谢 ：）