1.一个卷积层事例

对卷积得到4*4矩阵+b常数，由于python广播机制，4*4矩阵每个元素都加b，然后进行RELU函数转换，得到最终4*4矩阵。由于有两个滤波器，得到最终4*4*2矩阵。

前向传播：，其中a[0]即输入矩阵x；卷积相当于线性运算；+b后相当于z；经过RELU后相当于**值a[1]，这层完成了a[0] 6*6*3  -->a[1] 4*4*2变换。

eg：参数数量

（每个滤波器矩阵3*3*3+1个偏差b）*10=280,无论输入图像有多大，1000*1000*1000或者更大，这一层参数都是280个。这是卷积神经网络优点：防止过拟合

2.标记总结

在第L层：

上角标L表示第L层，滤波器通道数和输入矩阵通道数相同。

上角标L-1表示上一层**值，这层输入即上层输出。输出矩阵的高、宽由公式可计算。

L层**即L层输出，当采用批量梯度下降或小批量梯度下降时，有m个样本/**，则，这里采用变量顺序是训练集个数、高、宽、通道数，有些文献中采样顺序，对变量顺序没有特殊要求，只需要全部一致即可。

权重即所以过滤器总数量，是L层中滤波器个数（损失数量即过滤器个数？？？）；

偏差即一个常数，为方便表示写成