知识卡片
卷积核梯度汇总所有窗口
输出误差乘对应池化值即可得输出权重梯度。对于一个核元素,每个扫描位置都使用它,梯度是各位置 δ 乘窗口中对应像素之和;共享偏置的梯度是同图所有 δ 之和。通过最大池化时,唯一最大值的位置接收上游梯度,其他为零,并列点需采用实现约定。
参见 [[特征图共享核和偏置]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 5-5 卷积神经网络和误差反向传播法 5-5 卷积神经网络和误差反向传播法 · 查看原书依据
简而言之,代价函数关于卷积层神经单元的偏置的偏导数,就是卷积层各个子层的所有神经单元误差的总和。
参考来源
- 位置:《深度学习的数学》第 46 阅读项《5-5 卷积神经网络和误差反向传播法》(来源项目 book-source,extracted/深度学习的数学/_epub-src/text/part0000_split_044.html)
- 结论依据:原文对“所有神经单元误差的总和”的解释或演示提供本卡的主要依据。
- 原始内容:简而言之,代价函数关于卷积层神经单元的偏置的偏导数,就是卷积层各个子层的所有神经单元误差的总和。