Author: Andy Wang

本文將介紹Pooling layer在反向傳遞(Backward propagation / Backward pass)的運作過程，雖然Pooling層的參數不需要被訓練，但是在大多數情況下，Pooling layer通常是承接著啟動函數的輸出。因此，本文將會詳細介紹反向傳遞時Kernel、Bias、Feature map的細節。

本篇文章要來介紹對特徵圖（Feature map）與偏差值（Bias）在Backward propagation的推導過程與可程式化的計算方法。由於卷積神經網路（Convolutional Neural Network, CNN）在使用倒傳遞法（Backpropagation）的反向傳遞（Backward pass）過程中，就是藉著計算參數之梯度（偏微分）作為更新並訓練參數的手段，因此了解這些原理對於初探卷積神經網路的學習者來說也非常重要。

卷積神經網路的參數最終仍會以Backpropagation（倒傳遞法）來優化，本文將由淺而深的從原理到可程式化的計算方法向各位介紹Kernel的偏微分計算方法。而本文採用的範例是包含padding的卷積層，這種設定也將更趨近於現實，希望透過這種方式讓各位完全理解。

因為卷積神經網路（CNN）的特性，使得在使用CNN進行影像辨識時可以大幅度的降低參數量。本節介紹的主題就是計算CNN的參數量，但是在開始之前，會先用簡單的例子帶各位了解如何架構CNN，希望各位能徹底明白卷積神經網路的運作流程，藉此深入了解計算參數量的方法。

池化層在卷積類神經網路扮演的角色也很關鍵，它可以幫助我們縮小Feature map的大小，也可以用來強CNN萃取出來的特徵。本篇文章就是要介紹池化層（Pooling layer）的運算規則。池化層的概念很簡單，但它仍有許多需要注意的屬性，像是與卷積層會用到的『移動步伐Stride』在池化層也會派上用場。

卷積神經網路（Convolutional Neural Network, CNN）為目前用來進行影像辨識最有效的特徵萃取演算法，這個方法是由學者Yann LeCun於1998年發表的論文『Gradient-Based Learning Applied to Document Recognition』所使用的方法。直至今日，已有許多物體分類（Object classification）與物體偵測（Object detection）的方法就是透過CNN建構。本篇主要介紹CNN演算法中的卷積層運算方式以及相關屬性，其中包括移動步伐（Stride）、補充像素（Padding）和最重要的卷積核（Kernel or Filter）。