深度学习基础课：最大池化层的前向传播推导

大家好~本课程为“深度学习基础班”的线上课程，带领同学从0开始学习全连接和卷积神经网络，进行数学推导，并且实现可以运行的Demo程序

线上课程资料：


(资料图)

本节课录像回放

加QQ群，获得ppt等资料，与群主交流讨论：106047770

本系列文章为线上课程的复盘，每上完一节课就会同步发布对应的文章

本课程系列文章可进入索引查看：深度学习基础课系列文章索引

回顾相关课程内容

为什么要学习本课

主问题：如何推导最大池化层的前向传播？

\[a_{i,j} = max(\begin{bmatrix}x_{i * stride, j * stride} & \cdots & x_{i * stride + stride - 1, j * stride } \\\vdots & \ddots & \vdots \\x_{i * stride, j * stride + stride - 1} & \cdots & x_{i * stride + stride - 1, j * stride + stride - 1} \\\end{bmatrix} )\]\[用x_{i,j}来表示输入Feature Map的第i行第j列元素； \\用a_{i,j}表示输出Feature Map的第i行第j列元素；\\\]\[a_{d, i,j} = max(\begin{bmatrix}x_{d, i * stride, j * stride} & \cdots & x_{d, i * stride + stride - 1, j * stride } \\\vdots & \ddots & \vdots \\x_{d, i * stride, j * stride + stride - 1} & \cdots & x_{d, i * stride + stride - 1, j * stride + stride - 1} \\\end{bmatrix} )\]\[用x_{d, i,j}来表示输入Feature Map的第d层第i行第j列元素； \\用a_{d, i,j}表示输出Feature Map的第d层第i行第j列元素；\\\]\[W_2 = ? \\H_2 = ? \\其中，W_2是输出Feature Map的宽度，H_2是输出Feature Map的高度； \\W_1是输入Feature Map的宽度，H_1是输入Feature Map的高度；\\F是Filter的宽度（等于高度），S是步幅\]

答：

\[W_2 = \frac{W_1 - F}{S} + 1\\H_2 = \frac{H_1 - F}{S} + 1 \\其中，W_2是输出Feature Map的宽度，H_2是输出Feature Map的高度； \\W_1是输入Feature Map的宽度，H_1是输入Feature Map的高度；\\F是Filter的宽度（等于高度），S是步幅\]

任务：实现最大池化层的前向传播

["f:",[    [2,2,[3,2,1,2]],    [2,2,[5,2,2,2]]    ]]

我们可以手动计算下\(a_{0,0,0}\)，结果等于3，与输出的结果相同，证明forward的实现是正确的

推荐内容