深度学习基础——感受野、padding、stride、反向传播

卷积神经网络基础补充——梯度下降
卷积神经网络基础
VGG网络详解及感受野的计算

感受野、padding、stride

感受野：特征图上一个像素点对应于原图中的区域有多大。举例：假设输入图片大小WxW、Filter大小FxF、步长S、padding的像素数P，则经卷积后的矩阵尺寸大小计算公式为：N=(W-F+2P)/S+1

• padding：举例padding=[1，2]：左边和上边加上一列零，右边和下边加上两列零。此时P为1+2=3

pooling不影响channel：

• Maxpooling：如max pool with 2x2 filters and stride 2，就是将图像中各个2x2的区域中的最大值作为输出。
• AveragePooling：如max pool with 2x2 filters and stride 2，就是将图像中各个2x2的区域中的所有数的平均值作为输出。
  【问题】执行Maxpooling函数之后，函数中不就有了max()函数吗，这样反向传播如何求导？