（深度学习）CNN和RNN，LSTM公式推导

Rudy95

于 2019-07-28 20:20:57 发布

阅读量1.8k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/Rudy95/article/details/96481972

本文介绍了CNN、RNN及LSTM的前向传播和反向传播过程，重点讨论了LSTM如何缓解梯度消失问题。内容包括CNN的池化层和卷积层误差传播公式，RNN的权重共享导致的梯度问题，以及LSTM的门控机制和参数计算。还探讨了LSTM的多种应用场景及其变种。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

BP的流程：
在这里插入图片描述

CNN

前向：
在这里插入图片描述

反向：
问题一：池化层误差的传播
如果是max池化，则按照前向传播记录的最大值位置，还原此前大小的矩阵，如下图所示：
第一个是误差传播到池化层的误差矩阵
第二个矩阵将误差矩阵的尺寸还原到未池化之前的矩阵大小
第三个矩阵按照max池化，传播梯度
第四个矩阵是按照average池化，传播梯度
在这里插入图片描述
最终得到，未池化前的误差梯度。
公式可以写成：

问题二：卷积层的误差传播
卷积层误差的传播包括两个部分：误差传播到上一层，以及推导本层的权重W和b的梯度

传播到上一层

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。