1.全连接层反向传播

设C$C$为loss
全连接层输入：(bottom_data) a$a$
全连接层输出：(top_data) z$z$
假设 a$a$维度K_， z$z$维度N_，则权值矩阵维度为N_行*K_列，batchsize=M_
全连接层每个输出zi=b+∑jwijaj$z_i=b+\sum _j{w}_{ij}{a}_j$

1.1bottom_diff计算：

对bottom_data求导：∂C∂aj=∑i∂C∂zi⋅∂ziaj=∑izi′wij$\frac{\mathrm{\partial }C}{\mathrm{\partial }{a}_j}=\sum _i\frac{\mathrm{\partial }C}{\mathrm{\partial }{z}_i}\cdot \frac{\mathrm{\partial }{z}_i}{a_j}=\sum _i{z_i}^{\mathrm{\prime }}{w}_{ij}$（batchsize=1时）
当batchsize不为1时，需要分别获得各个样本下的结果，组成矩阵：

caffe实现：

1.2weight_diff计算：

对weight求导：∂C∂wij=∂C∂zi⋅∂ziwij=zi′aj$\frac{\mathrm{\partial }C}{\mathrm{\partial }{w}_{ij}}=\frac{\mathrm{\partial }C}{\mathrm{\partial }{z}_i}\cdot \frac{\mathrm{\partial }{z}_i}{w_{ij}}={z_i}^{\mathrm{\prime }}{a}_j$
当batchsize不为1时，需要将各个样本下的结果进行求和：

caffe实现：

1.3bias_diff计算：

对bias进行求导：∂C∂b=∑i∂C∂zi⋅∂zib=∑izi′$\frac{\mathrm{\partial }C}{\mathrm{\partial }b}=\sum _i\frac{\mathrm{\partial }C}{\mathrm{\partial }{z}_i}\cdot \frac{\mathrm{\partial }{z}_i}{b}=\sum _i{z_i}^{\mathrm{\prime }}$（batchsize=1时）
当batchsize不为1时，需要分别获得各个样本下的结果，组成向量：

caffe实现：

2.Pooling层反向传播

2.1 Max Pooling:

首先，在前向传播时，在输出新的feature map的同时，还要记录每个输出点对应于前一层feature map中的位置，放入mask或者top_mask中（top_mask是指，该mask存放在top_data里当作输出的一部分）
max pooling 前向传播caffe实现：

在反向传播时：将top_diff按照记录下来的index返回到输入层中，即只对前向传播时选中的一些位置进行误差传播，如下图：

max pooling 反向传播caffe实现：

2.2 Average Pooling

前向传播较简单，block内数值的平均值作为输出，每个输出值对应固定的输入block，如图：

反向传播，将输出层各个位置的梯度，平均分配到其对应的输入block中，如图：

average pooling 反向传播caffe实现：

3.Relu层反向传播

由Relu定义可得其导数：

其中α$\alpha$默认为0
则Relu反向传播只需判断原始输入数据是否大于0，若大于0则将top_diff直接传到前层，否则将top_diff乘上α$\alpha$传到前层，如图：

Relu层反向传播caffe实现：