目錄
0. 前言
1. 單層卷積網絡
2. 各參數次元
3. CNN 前向傳播反向傳播
如果這篇文章對你有一點小小的幫助，請給個關注，點個贊喔~我會非常開心的~
花書+吳恩達深度學習（十）卷積神經網絡 CNN 之卷積層
花書+吳恩達深度學習（十一）卷積神經網絡 CNN 之池化層
花書+吳恩達深度學習（十二）卷積神經網絡 CNN 之全連接配接層
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）
花書+吳恩達深度學習（十四）卷積神經網絡 CNN 之經典案例（LetNet-5, AlexNet, VGG-16, ResNet, Inception Network）
0. 前言
本篇文章主要介紹卷積神經網絡的運算過程。
整體卷積神經網絡的運算趨勢，是行和列逐漸減小，通道數逐漸增加。
1. 單層卷積網絡
此處以單個樣本為例子。
- 原始圖像（上一層輸出）作為
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 。 - 每一個過濾器的參數疊加在一起，組成這一層的權重
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 。 - 為每個過濾器加上偏差，組成偏差
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 ，在卷積之後的 2D 圖像的每一個像素上加上偏差。 - 通過激活函數
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 ，激活函數同樣針對 2D 圖像的每一個像素。 - 則，每一個過濾器計算出來為 2D 圖像，多個過濾器組合起來作為 3D 圖像，下一層的輸入。
2. 各參數次元
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 3. CNN 前向傳播反向傳播
對于每一個 3D 圖像，可以看成是，行（長），列（寬），通道（高）。
定義一個 4 維張量
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 （也就是每一層的權重
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 ），
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 表示位于，輸出通道
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 （這層第
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 個過濾器，輸出的第
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 個通道），輸入通道
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 （每個過濾器的第
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 個通道），
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 行，
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 列的值。
定義一個 3 維張量
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 （也就是輸入資料
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 ），
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 表示位于，通道
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 （上層的第
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 個過濾器，輸入的第
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 個通道），
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 行，
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 列的值。
定義一個 3 維張量
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 （也就是輸出的 3D 資料），
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 表示位于，通道
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 （這層的第
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 個過濾器，輸出的第
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 個通道），
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 行，
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 列的值。
則前向傳播的卷積運算表示為：
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 在反向傳播中，對
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 的求梯度為：
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 使用梯度下降，對權重
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 求梯度為：
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 如果不是神經網絡的第一層，則需要對輸入
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 求梯度：
花書+吳恩達深度學習（十三）卷積神經網絡 CNN 之運算過程（前向傳播、反向傳播）0. 前言1. 單層卷積網絡2. 各參數次元3. CNN 前向傳播反向傳播 如果這篇文章對你有一點小小的幫助，請給個關注，點個贊喔~我會非常開心的~
