卷积层（Convolution Layer）

卷积神经网络（Convolutional Neural Networks，CNN）是一种前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质。比如在视觉神经系统中，一个神经元的感受野是指视网膜上的特定区域，只有这个区域内的刺激才能够激活该神经元。

卷积神经网络有三个结构上的特性：局部连接，权重共享以及空间或时间上的次采样。详细介绍请见卷积神经网络

本文主要介绍卷积层（Convolution Layer）的前向传播和后向传播。

1.二维卷积运算

二维图像卷积

2.前向传播

假设数据矩阵D如下3*3大小，是单通道的，我们首先需要补0将它扩充到(3+2*(floor(3/2)))* (3+2*(floor(3/2))) = 5*5大小的矩阵操作如下:

补0操作

接下需要将D_pad_zero与卷积核kernel做卷积运算，kernel size =3，pad = 1，stride =1，则可得出输出（3+2*1-3）/1+1 = 3;下图只是给出了一个卷积核，一个卷积核生成一个特征图（feature map），而在实际应用中，为了增强卷积层的表示能力，会使用很多个卷积核从而得到多个特征图。

卷积

从上图不同颜色框框给出，从数据矩阵中依次提取出和卷积核一样大小的块数据，这里其实就是开篇所说的局部连接。为了提高该操作运算效率，需要进行im2col操作，即把这些不同颜色框框内的数据向量化，总共有3*3个向量，最后得到9*9这样的数据矩阵，具体操作如下

im2col

接下来就是矩阵相乘操作，具体操作如下：

矩阵相乘

上述矩阵相乘结果如下，最好还需要col2im，把向量转换成矩阵形式。

col2im

上述整个过程只是使用一个卷积核，实际应用中，卷积核有很多，只要把这些卷积核按行排列，再做kernel*D_im2col操作，会一次得出所有的feature map。

3.反向传播

假设第l层输入数据大小为5*5，通道为3，卷积核有64个，每个大小为3*3*3，卷积操作为pad=1，stride=1，经过im2col输入数据为27*25（记作X），其中每个列向量为3*3*3的输入小块。权值矩阵W大小为64*27，偏置向量b为1*64，则可得该卷积层输出：

Q = f（z） = f(w*x+b)

其中f（*）为激活函数，以下以sigmoid函数为例，其导数为sigmoid*（1-sigmoid）；

由以上公式可得，该卷积层输出Q大小为64*25。

假设由该卷积层上一层反向传播到该层输出矩阵delta，则该矩阵大小和Q大小一致，为64*25，根据链式求导法则；

损失函数对该层权值W求偏导 损失函数对该层偏置b求偏导 损失函数对该层的前一层求偏导 损失函数对该层求偏导，大小为64*25 Q对Z求偏导，大小为64*25 Z对b求偏导,大小为64维向量 Z对W求偏导，大小为25*27 Z对X求偏导，大小为27*64