tiny_cnn 卷積神經網絡源碼深度解析（9）：partial_connected_layer 反向傳播與屬性計算

類結構回顧

partial_connected_layer 是卷積層與下采樣層的公共基類，繼承自 layer。核心成員為五個雙層 vector 映射表，記錄權重、輸出、輸入、偏置的索引關係。

構造函數

partial_connected_layer(layer_size_t in_dim, layer_size_t out_dim,
    size_t weight_dim, size_t bias_dim, float_t scale_factor = 1.0)
    : layer(in_dim, out_dim, weight_dim, bias_dim),
      weight2io_(weight_dim), out2wi_(out_dim),
      in2wo_(in_dim), bias2out_(bias_dim),
      out2bias_(out_dim), scale_factor_(scale_factor) {}

層屬性計算函數

• fan_in_size()：返回連接數（權重總數）
• fan_out_size()：返回輸出特征維度
• weight_size()：返回可學習參數數（權重+偏置）

前向傳播實現

採用 Lambda 表達式封裝三階段：

1. 卷積運算 + 係數擴展 + 加偏置
2. 激活函數處理
3. 遞歸傳遞給下一層

關鍵代碼片段：

for_i(parallelize_, out_size_, [&](int i) {
    // 卷積核心運算
    a[i] = 0;
    for (int c = 0; c < in_size_; ++c)
        a[i] += W_[c*out_size_ + i] * in[c];
    a[i] += b_[i];
});
for_i(parallelize_, out_size_, [&](int i) {
    out[i] = h_.f(a, i);  // 激活函數
});
auto& next_out = filter_.filter_fprop(out, index);
return next_ ? next_->forward_propagation(next_out, index) : next_out;

反向傳播預告

back_propagation 涉及誤差求導、靈敏度傳遞、權重梯度累積，結構較複雜，將在後續專文詳細解析（挖坑待填）。

流式構造注意事項

tiny_cnn 採用流式 API 構建網絡（如 net << conv << pool << fc），調試時難以觀察中間層初始化參數，需特別注意。