C++ 卷积层的反向传播
我正在构建一个只有卷积层的CNN（到目前为止） 我使用了与ANN相同的算法。因为Conv层没有完全连接，并且有共享的权重，所以我不确定如何计算渐变和相应的统计信息。我尝试平均&Delta权重，并使用平均值进行后推。经过几次测试后，我认为这是行不通的，这使得迭代计算非常缓慢（每秒迭代1次，而不是80次） 如何正确地备份Conv层C++ 卷积层的反向传播,c++,c++11,neural-network,artificial-intelligence,backpropagation,C++,C++11,Neural Network,Artificial Intelligence,Backpropagation,我正在构建一个只有卷积层的CNN（到目前为止） 我使用了与ANN相同的算法。因为Conv层没有完全连接，并且有共享的权重，所以我不确定如何计算渐变和相应的统计信息。我尝试平均&Delta权重，并使用平均值进行后推。经过几次测试后，我认为这是行不通的，这使得迭代计算非常缓慢（每秒迭代1次，而不是80次） 如何正确地备份Conv层 如果任何人有任何关于其他层的backprop（如池）的信息或链接，那也很好。有许多SGD（随机梯度下降）算法，您可以选择反向传播。你可以试着像这样看他们中的一些人 -动力
如果任何人有任何关于其他层的backprop（如池）的信息或链接，那也很好。有许多SGD（随机梯度下降）算法，您可以选择反向传播。你可以试着像这样看他们中的一些人 -动力 -阿达格拉德 -阿达德尔塔
-Adam…有许多SGD（随机梯度下降）算法，您可以选择反向传播。你可以试着像这样看他们中的一些人 -动力 -阿达格拉德 -阿达德尔塔
-亚当…我认为这不是回答这类问题的合适地方。尝试：卷积可以解释为一个完全连接的层，其参数矩阵非常稀疏，并且共享多个值。backprop只是矩阵的转置，我不认为这是解决这类问题的合适地方。尝试：卷积可以解释为一个完全连接的层，其参数矩阵非常稀疏，并且共享多个值。backprop只是该矩阵的转置。