我在理解反向传播在卷积层中是如何工作时遇到了一些麻烦。实际上，在计算隐藏层中的错误之后，我们可以在错误图像中表示它。但在那之后，我该如何更新内核？
我在下图中给出了一个例子：我们有一个图像错误（l + 1）（计算了反向传播）连接到父输出（l）和相关的内核K.
在位置（x，y），错误将是：err = e1.k＆＃39; 1 + e2.k＆＃39; 2 + ... + e9.k＆＃39; 9（k＆＃39 ;（l + 1）中内核的系数。因此，如果我们没有时刻，没有激活函数和没有学习率，那么K的校正将是：
K1 = K1 + err * e1
K2 = K2 + err * e2
...
第一个解释是否正确？ 之后，如何推测错误？我们是仅在（x，y）位置或（x + kx，y + ky）位置用（kx，ky）滤波器K位置传播误差吗？
答案 0 :(得分：-2)
反向传播在卷积网络中起作用，就像它在深度神经网络中的工作原理一样。唯一的区别在于，由于卷积过程中的权重共享机制，还应用了卷积层中权重的更新量。
