对于CNN卷积神经网络的前向传播和反向传播的理解
前向传播示意图：
咋一看这张图，作为初学者可能会不知所云(￣ω￣=)？但是想要很好的理解前向传播的原理，我们得从这张图细说。
文章目录
1.首先我们从x，w的参数组成说起？
如图左下角所示，x[编号n,通道c,高h,宽w]，这里需要的注意的是通道c和编号n的作用。如图，这里输入的图片格式采用3通道，即R，G，B可以看作是输入图片的深度为3。
这里的0,1,2分别代表R,G,B三种颜色层，而w[…,0/1/2,…,…]也是同理。而编号n的作用在于识别是否为同一张照片，即如图，x[0,0,…],x[0,1,…],x[0,2,…]代表他们同属于某一张图片，采用编号0。
2.filter滤波器与图片的对应关系是什么？
接着，我们思考右上角的计算式？对于不断变换的h,w对应是什么意思呢？结合上图，我们发现是filter滤波器窗口w在x上不断的移动的结果，而h，c对应的位置发生了变化(即滤波器窗口在向右移动)。
而上述计算式中的out[编号n,x,y]中x，y对应的是最终输出的out中的坐标。
3.共享权重和偏重机制
还是上述的计算式，对于同一张图(R/G/B，而不是RGB三张图共享)，采用共享filter滤波器权重w和偏重b。
当filter窗口扫描完一张图的所有像素位置，得到最终输出的out。这里需要的注意的是，滤波器的个数取决于上一层输入图的深度，即通道数。
换一种角度理解就是，输入图有多少层，便需要多少个filter滤波器去提取特征。
反向传播示意图:
4.反向传播的式子怎么得来的？
前向传播的关系式为：out=x*w+b，而反向传播时则需求解出dw是什么？
反向传播的目的：更新参数w。因此要先算出dw。假设上一层会传过来一个梯度dj/dout（j对out的求导），根据链式求导法则，因此dw = dj/dout * dout/dw =dj/dout * x ，在计算机中方便为变量命名的缘故，将dj/dout记为dout，dj/dw记为dw，即图中的情况。
即dw=dout*x；将dout反向乘以x得到dw。