Несмотря на то, что можно найти не одну статью, объясняющую принцип метода обратного распространения ошибки в сверточных сетях ([раз][1], [два][2], [три][3], [четыре][4], [пять][5] и даже дающих “интуитивное” понимание — [шесть][6]), мне, тем не менее, никак не удавалось полностью понять эту тему. Кажется, что авторы недостаточно внимания уделяют обычным примерам либо же опускают какие-то хорошо понятные им, но не очевидные другим особенности, и весь материал по этой причине становится неподъемным. Мне хотелось разложить все по полочкам для самого себя и в итоге конспекты вылились в статью. Я постарался исключить все недостатки существующих объяснений и надеюсь, что эта статья ни у кого не вызовет вопросов или недопониманий. И, может, следующий новичок, который, также как и я, захочет во всем разобраться, потратит уже меньше времени.
[Читать дальше →][7]

[1]: http://andrew.gibiansky.com/blog/machine-learning/convolutional-neural-networks/
[2]: https://grzegorzgwardys.wordpress.com/2016/04/22/8/#unique-identifier2
[3]: http://jefkine.com/general/2016/09/05/backpropagation-in-convolutional-neural-networks/
[4]: http://www.simon-hohberg.de/2014/10/10/conv-net.html
[5]: http://cthorey.github.io/backprop_conv/
[6]: http://soumith.ch/ex/pages/2014/08/07/why-rotate-weights-convolution-gradient/
[7]: https://habrahabr.ru/post/344008/?utm_source=habrahabr&utm_medium=rss&utm_campaign=344008#habracut