cnn突破七（四层bpnet网络公式与卷积核bpnet公式相关）

我们要有一个概念，就是卷积核就是我们的w1，w12，w2

那么我们的5*5卷积核怎么表达，当他在14*14的图像中流动时，对应的像素也在变化

这个和我们的上面w1，w12，w2不同，因为这几个都是全连接，比如，w1【0,0】对应图像第一像素和hi的第一个。

假定我们给5*5卷积核起名w1cnn，图像第一像素和hi的第一个对应w1cnn【0】，那么5*5卷积核走到第二个像素又用到了w1cnn【0】，w1cnn应该有25个，即w1cnn【0-24】

我们backward时，求应该对应哪个像素？

我们先用这一个5*5卷积核，捋一下forward：

14*14（w1cnn【25】）-》10*10（2*2池化，取最大）-》5*5-》80-》10，期望d【10】

14*14图像x第一个像素即x【0】所在位置5*5方阵像素与5*5的卷积核（w1cnn【25】）生成了10*10图像temphicnn的第一个像素。

我们用公式描述一下：

temphicnn【0】+=x[i=j=0,5*5方阵像素]*w1cnn[0-24]，

temphicnn【1】+=x[i=1,j=0,5*5方阵像素]*w1cnn[0-24]，

。。。。。。。。

这样重复下去，我们就有100个temphicnn【0-99】图像，来自14*14图像x每一个像素卷积。

然后temphicnn【0-99】图像2*2池化，取最大，变成25个像素图像hicnn【0-24】。

这里要注意的是，我们要记录下这25个最大值图像，在10*10图像中的位置，以及在14*14图像中开始卷积的位置，我找到一个公式：如果在25个最大值图像中，i=3；j=4，池化时记录最大位置在（1,0）

那么