cnn突破七中x【？】怎么求？我们举个例子：
接着cnn突破七：
hicnn【】来自temphicnn【】2*2最大池化：
temphicnn[0]+=x[i=0,j=0,5*5方阵]*w1cnn[0-24]，
hicnn是5*5的，temphicnn是10*10的，x是14*14的。
hicnn【1】来自temphicnn【2】【3】【12】【13】，一一对应池化中的位置（0,0）（0,1）（1,0）（1,1），假定（1,1）最大，即13=（第二行=1，第四列=3），即temphicnn【13=1*10+3】最大，对应x【17=1*14+3】
所以，一个hicnn对应一个hocnn，一个hocnn【1】对应25个w1cnn更新：
=.....ds(hocnn[1])*x[17];（公式最后两项关键，其他省略，可以看前头）
=.....ds(hocnn[1])*x[18];
=.....ds(hocnn[1])*x[19];
=.....ds(hocnn[1])*x[20];
=.....ds(hocnn[1])*x[21];卷积核第一行结束，开始第二行
=.....ds(hocnn[1])*x[17+14];
......
hicnn【0】来自temphicnn【0】【1】【10】【11】，一一对应池化中的位置（0,0）（0,1）（1,0）（1,1），假定（1,0）最大,即10=(第二行=1，第一列=0)，即temphicnn【10=1*10+0】最大，对应x【14=1*14+0】
所以，一个hicnn对应一个hocnn，一个hocnn【0】对应25个w1cnn更新：
=.....ds(hocnn[0])*x[14];
=.....ds(hocnn[0])*x[15];
=.....ds(hocnn[0])*x[16];
=.....ds(hocnn[0])*x[17];
=.....ds(hocnn[0])*x[18];卷积核第一行结束，开始第二行
=.....ds(hocnn[0])*x[14+14];
......
有公式套就是好！这样我们cnn中的卷积核就在反向传播中更新了，我们这个卷积核cnn相当于四层bpnet网络，我们通过一个5*5的卷积核，把整个过程展现出来了！我们的网络结构是：
14*14-》4@10*10-》4@5*5-》80-》10，我们展示了一个卷积核，那么就是：
14*14-》10*10-》5*5-》80-》10，我们的hocnn有5*5个，其中一个就会更新一次5*5的w1cnn卷积核。
下面我们考虑28*28->4@24*24->4@12*12->16@8*8->16@4*4->80->10这个网络结构，
28*28->4@24*24是第一次4个5*5卷积核，
4@12*12->16@8*8是第二次4个5*5卷积核，
这个太复杂，我们化繁为简：
28*28->24*24->12*12->8*8->4*4->80->10
你有没有发现12*12->8*8->4*4->80->10和我们上面的一个卷积核的cnn一样？再看看：
14*14->10*10->5*5->80->10，是的，这个我们已经搞定，我记着为A=12*12->8*8->4*4->80->10那么：
28*28->24*24->12*12->8*8->4*4->80->10
就变成：28*28->24*24->A
我们A中的输入图像是x【】对吧！我们28*28要用，所以A的这个我们记着为hxo【】，好，我们简化网络：
28*28-》12*12-》4*4-》80-》10，显然这是一个5层网络，有扩展了，更复杂了，但我们要简单化：28*28处的卷积核我们记着为：w784【】，那么就有
x【】*w784【】-》sigmod（hxi【】）=hxo【】-》HIcnn，
hxo【】*w1cnn【25】=HIcnn-》sigmod（HIcnn）=HOcnn-》H2I，
hocnn【】*w12cnn【】=H2I-》sigmod（H2I）=H2O-》YI，
h2o【】*w2cnn【】=YI-》sigmod（YI）=YO，d【】是期望
其实我们写了这么多，我们只要在backward中实现：
x【】*w784【】-》sigmod（hxi【】）=hxo【】-》HI，
这一段的推导就可以了。还记得我们的四层网络公式吧：
=
(yo[k]-d[k])*ds(yo[k])*w2【m，k】*ds(h2o[m])*w12【j,m】*ds(hocnn[j])*x[i->？]
我们在五层卷积核中找到了规律，这样替换他：
我们令B=(yo[k]-d[k])*ds(yo[k])*w2【m，k】*ds(h2o[m])*w12【j,m】*ds(hocnn[j])
=B*
*
*
=B*w1cnn[25]*ds(hxo[])*x[i]
= (yo[k]-d[k])*ds(yo[k])*w2【m，k】*ds(h2o[m])*w12【j,m】*ds(hocnn[j])*w1cnn[25]*ds(hxo[])*x[i]
;这个x[i]，我们说了是28*28图像，其实，我们现在要细化的就是：
=......w1cnn[25]*ds(hxo[])*x[i=?]
我们先看看四层网络：=.....ds(hocnn[1])*x[17];
这个x【17】在这五层网络里被替换为hxo【17】；
=.....ds(hocnn[1])*hxo[17];（在五层里未必是1和17对应，这里我们重点看符号的对应）
那么五层网络公式：
=......ds(hocnn[j=1])*w1cnn[25]*ds(hxo[17])*x[i]就能看清楚？每一个hocnn[j]都会更新一次w1cnn，我们调整一下：
=......w1cnn[25]*ds(hocnn[j=1])*ds(hxo[17])*x[i=?]
这里的关键是我们通过每一个hocnn[j]找到与hxo【？】的对应，
那么我们就能找到hxo【？】与x【i=？】的对应。
这个关系我们在四层网络中找到了呼应，就像递归一样，我们又要把找到的那个公式用起来，
实际就是这么一回事！
也就是说，我们在四层网络已经找过了hocnn和hxo的关系，现在要找hxo和x【i=？】的关系，仿照四层，我们用一样的办法就能搞定。
下一节我们用程序示范一下。
