一次完全相同，在此不再赘述，本次降采样，得到12张44的特征图826构建全连接层
即将12个44的矩阵，构建成1192的一维向量（每次在fv后面追加一个长度为4416的向量）：

专业专注

fword可编辑
全连接层特征图值（截取部分值）
827输出结果输出结果为101的矩阵

专业专注

fword可编辑
83误差反向传播
831计算输出误差误差输出期望



专业专注

fword可编辑
832计算输出层灵敏度即残差

（
833计算全连接层残差
（

））
全连接层残差等于全连接层权重与输出层残差的点乘，结果为1921的矩阵

专业专注

fword可编辑
834计算降采样层2的残差采样层2的残差即将一维形式的全连接层残差转化为1244的矩阵即可：每次向后截取fvd中16个值重构成44矩阵，共12个44的矩阵
截取部分

专业专注

fword可编辑
835计算卷积层2的残差从卷积层2到降采样层2时进行了降采样的操作，因此从降采样层2的残
差推算卷积层2的残差时，首先对降采样层2的残差进行上采样，expa
d函数即实现了上采样的过程，即将44的降采样层2的残差扩充为88的矩阵，88的矩阵中的值为44矩阵中的值先等值复制4份再除以4保证残差和相等，举例说明：

专业专注

fword可编辑
通过上述过程，得到扩充后的残差，并按照代码中的公式，即卷积层2的特征图（1特征图）扩充后的残差即得到卷积层2的残差，为1288的矩阵，以下截取部分示例：

专业专注

fword可编辑
836计算降采样层1的残差从降采样层1到卷积层2经过了卷积的过程，不仅特征图的大小有所改变，
数量也从6个变为12个，因此从卷积层2推导降采样层1的残差，要经过反卷积的过程，即在full模式下进行卷积，并将卷积核左右上下旋转180full模式举例说明为（假设卷积层2卷积核为aa），卷积层2层为22bb，则full模式扩充后为44（b2（a1））：
进行full模式后，再与卷积层2卷积核权重（旋转180度）点乘，是怎么从12张图变为6张图的呢？

专业专注

fword可编辑
与824节过程相反，将卷积层2full模式后的12个残差矩阵与旋转后的72个卷积核点乘，点乘方式如下所示：
（1）12个特征矩阵与卷积模板中第一行的12个卷积核分别点乘，得到12个矩阵，相应位置相加即得到第一个将采样层1的残差矩阵
（2）12个特征矩阵与卷积模板中第二行的12个卷积核分别点乘，得到12个矩阵，相应位置相加即得到第二个将采样层1的残差矩阵

专业专注

fword可编r