在看此blog之前，请确保已经看懂我的前两篇blog【深度学习笔记1(卷积神经网络)】和【BP算法与公式推导】。并且已经看过文献[1]的论文【Notes on Convolutional Neural Networks】。因为本文就是讲解文献[1]论文前部分公式的推导过程<这里有一个假设，或许公式是错误的，如有好的理解请留言>。
卷积神经网络参数求解的过程与上次笔记【BP算法与公式推导】类似，但是在形式上还是有变化的。文献[1]的论文直接给出了参数求解的公式，主要包括：卷积层和subsampling层的残差以及对应的对权重参数和偏置参数的导数。
注意：这里的卷积核参数所放在的层与残差放在了同一层，和上次笔记略有不同，但是没有影响！
假设第l层为卷积层，第l+1层为subsampling层，则第l层第j个feature map的计算公式如下：
上面的*号实质是让卷积核k在第l-1层所有关联的feature maps上做卷积运算，然后求和，再加上一个偏置参数，取sigmoid得到最终激励值的过程。
例子：假设第l-1层只有两个feature map，大小为4*4像素。
一个卷积核K(二维卷积核K11和K12)，大小为2*2。
则计算第l层的一个feature map结果如下，大小为3*3像素：
注意：在matlab中可以用convn函数来实现卷积，如：
image = convn(im, kernel, ‘valid’); 其中计算的过程会先将kernel反转180度，再与im做卷积操作。
因此本文中我们举例子用的卷积核2*2大小是已经旋转180度后的，即
BP算法中残差计算等于第l+1层与其连接的所有结点的权值和残差的加权和再乘以该点对z的导数值。卷积层的下一层是subsampling层，采用的是一对一非重叠采样，故残差计算更为简单。
第l层第j个feature map的残差计算公式如下：
其中第l层为卷积层，第l+1层为subsampling层，subsampling层与卷积层是一一对应的。其中up(x)是将第l+1层的大小扩展为和第l层大小一样。举个简单的例子，假如第l+1层为2*2的，subsampling的采样大小为2*2，其中第l+1层的一个feature map所对应的残差为：
那么扩展之后就变为了
直观上的理解：由于是一对一采样，故扩展之后第l层的每个节点只对应第l+1层唯一的一个结点，按照BP算法残差计算公式可以得出：第l层某结点残差就等于权值w乘以第l+1层对应节点残差值再乘以f(z)的导数，公式仅仅是矢量化的形式。
(1) 论文中给出了偏置参数b的导数，公式为：
下面我们给出推导公式，（其中第2行到第3行用到了假设，因为这里的zjl和bjl都是矩阵，没有矩阵对矩阵求导，这里给出了一个求和公式。我也解释不了是否正确，有知道的可以留言！）其中njl为第l层第j个feature map中点的个数。
(2) 论文中给出了偏置参数k的导数，其中kijl表示第l层第j个feature map与第l-1层第i个feature map相连所对应的kernel,是一个矩阵：
公式推导如下：
这里我们给出例子:比如卷积层为3*3的大小，卷积核的大小为2*2上一层feature map大小为4*4
论文中给出其matlab代码：
由于matlab中先要反转180度，故代码中先对残差旋转180度，得到的结果是
设第l层为subsampling层，第l-1为卷积层，由于是一对一采样，假设采样大小为2*2，故计算公式为：
这里的down(x)是将x中2*2的大小中像素值进行求和。计算过程为对上一层卷积层2*2大小进行求和然后乘以权重w，再加上一个偏置，再求取sigmoid函数。
论文中给出了残差的计算公式：
其中第l层为subsampling层，第l+1层为卷积层。
直观上的理解：如下图：左边为subsampling层的一个featuremap，右边是卷积层的一个feature map,
直接在下一层卷积层的残差上做卷积运算，方式为full类型，也就得到公式中的形式，由于matlab自带的卷积函数会先旋转对K旋转180度，故我们需要先对其旋转180度，再计算卷积。(当然我认为这里的公式有点偏差，的下标不应该用j，而是用i，而且需要对第l+1层中所有的与该subsampling相连接的featuremap最后的结果求和—源码中的确是这样的。)
(1) 偏置b的导数，其公式的推导过程与卷积层是一样的的。
(2) 权重w的导数，论文给出的公式如下：
公式推导如下：
这里我们给出一个例子：比如subsampling层feature map大小为2*2，则其上一层卷积层feature map的大小为4*4，如下所示，计算过程为对上一层卷积层2*2大小进行求和然后乘以权重w，再加上一个偏置，再求取sigmoid函数。(其中1,2,3,4只是一个标号，不是具体的值)
wjl = d11*{1+2+3+4} +d12*{5+6+7+8} + d21*{9+10+11+12} + d22*{13+14+15+16}。与公式相符。
注意：公式推导中有一个不那么正确的假设，但有了这个假设，一切结论都是成立的，这个结论或许超出了我数学的海拔高度，有正确解法的可以留言,谢谢！
1：原始论文：Notes onConvolutional Neural Networks http://cogprints.org/5869/1/cnn_tutorial.pdf
2： 论文翻译参看：http://blog.csdn.net/zouxy09/article/details/9993371
3：如何正确使用论文中公式(附带小例子)见：http://www.cnblogs.com/tornadomeet/p/3468450.html
原文地址：http://blog.csdn.net/lu597203933/article/details/46575871
