Neural network 理解、确认卷积层的培训和池层的效果

我只是想知道卷积层是如何在CNN中训练的。不幸的是，相关教程对此只字不提，或者非常模糊

我发现：

如果我理解正确，这里使用的反向传播方法就像多层感知器（MLP）一样。唯一的区别是，为特征映射中的每个内核位置计算权重变化，然后计算所有这些权重变化的平均值

这句话对吗

所以你在特征图上取平均值，然后再在堆栈上取平均值

池层现在如何影响反向传播

---

难道没有更好的选择吗？

让我们看一个实际的例子

当您使用TensorFlow创建conv层时，您可以编写如下内容-

model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))

或者如果你使用Pytork，那么-

self.conv1 = nn.Conv2d(3, 32, (3,3))

在这两种情况下，您使用的是32个形状过滤器（3x3x3），因此，如果您计算参数的数量（为了简单起见，不要考虑偏差），则将为864个（32x3x3）。而您在网络中使用的所有池层，它们只是缩小您的空间维度（下采样），不需要可学习的参数或与这些（池）层关联。因此，当你反向传播时，你可以简单地想象它们不存在。因为反向传播算法的工作是计算损失函数对卷积层中使用的864个参数的导数，所以池层（模块）对它来说无关紧要，因为它只关心涉及可学习参数的模块，所以它只是用这些来计算导数，优化器用这些梯度来改变它们