卷积层是卷积神经网络中非常重要的层，所以这里我们推导一下在卷积层的反向传播算法。
首先我们要思考一下卷积层的一些要素，要素很多包括权值、偏差等，但是我们只考虑权值和偏差，因为在训练过程中它们需要不断地更新。
接下来我们分成三个部分完成推导：损失对权值的梯度、损失对偏差的梯度和无法的传播。
首先我们先介绍一下卷积层正向传播对于l层有：
这里x表示激活层的输出，（i, j）代表输出的索引；f代表激活函数；p和q代表卷积核的索引；k代表权值；b代表偏差；l代表层；u代表l层的输出；
1、对于权值的梯度：
这里有累加号是因为权值与输出每一个量都有关系，由于误差可以定为损失对输出的梯度
所以
最后一个式子如果不明白的话，可以自己举个例子。
2、对于偏差的梯度：
3、对于误差传播，如何从本层传递到前一层：
这里你就要对第二式中右边第一项进行分解，下边一项为l层的输入，可以得到下式：
最后你可以得到下式
这里要记住l层的误差要延展卷积核大小-1的单位，第二项代表将K绕着中心点旋转180度。如果你想更好的理解，最好自己用个例子试一下。