基于卷积神经网络的视网膜OCT异常图像分类方法与流程

本发明涉及基于卷积神经网络的视网膜OCT异常图像分类方法，属于医学图像处理与模式识别领域。

背景技术：

脉络膜新生血管(Choroidal Neovascularization,CNV)又称视网膜下新生血管，它是指来自脉络膜毛细血管的增殖血管，通过Bruch膜的裂口而扩展，在Bruch膜与视网膜色素上皮之间、神经视网膜与视网膜色素上皮之间、或者视网膜色素上皮与脉络膜之间增殖形成。目前，脉络膜新生血管已经成为导致视力丧失的主要原因之一。糖尿病性黄斑水肿(Diabetic Macular Edema,DME)是指由于糖尿病引起的黄斑中心凹一个视盘直径范围内的细胞外液积聚所导致的视网膜增厚或者硬性渗出沉积。随着我国人民生活水平的不断提高，人口老龄化现象日益突出，糖尿病患者群体持续扩大，糖尿病性黄斑水肿已经成为糖尿病患者视力损害的最常见原因。玻璃膜疣是一种胶样或者透明的小体，它是由色素上皮细胞异常代谢产物在视网膜上的异常沉积所导致。玻璃膜疣多见于老年人，一般双眼对称。需要特别指出的是，脉络膜新生血管、糖尿病性黄斑水肿和玻璃膜疣的确诊不能够通过单一的技术手段来完成，它往往需要眼科医生结合患者的既往病史、临床表现、多种模态的医学影像等综合因素做出决断。

脉络膜新生血管出现的早期，无自觉症状。随着其逐渐扩大、渗漏和破裂出血，可导致视力减退、视物变形，出现中心或者旁中心暗点。症状反复发作者，黄斑部会受到严重破坏，造成永久性视力障碍。荧光素眼底血管造影(Fluorescein Fundus Angiography,FFA)、吲哚青绿血管造影(Indocyanine Green Angiography,ICGA)和光学相干断层扫描(Optical Coherence Tomography,OCT)是用于检查脉络膜新生血管的3种重要辅助手段，它们各有利弊、相互补充。FFA是检查脉络膜新生血管最有价值的一种手段。在FFA的早期即脉络膜期，可以辨认脉络膜新生血管的形态，呈花边状或者单车轮状图形，或者呈扇形向周边扩展。在FFA的静脉期，荧光素从新生血管壁向外渗漏，形成局限性强荧光区。到了FFA的晚期，荧光素从新生血管膜的边缘缓慢扩散进入视网膜神经上皮脱离区。在脉络膜新生血管成像方面，ICGA与FFA相比，有着显著的优越性。那些被血液或者其他混浊液体阻挡的脉络膜新生血管以及在FFA中难以呈现的隐匿性新生血管往往在ICGA中很容易被看到。而通过观察视网膜OCT灰度图像，不但可以很直观地看清楚视网膜的组织结构，还可以捕捉到脉络膜新生血管的变化情况。眼科医生只有在充分考虑临床表现和仔细阅览FFA,ICGA,OCT等多种模态的医学影像以后，才能够得出是否存在脉络膜新生血管的评估结论。

糖尿病性视网膜病变主要有2种形式：(1)视网膜缺氧，它可以导致血管不正常增生；(2)视网膜渗漏，严重时还会导致视网膜中心出现水肿，即糖尿病性黄斑水肿。据有关统计资料显示，在糖尿病患者中，大约有10％–15％存在糖尿病性黄斑水肿，而在糖尿病史达30年及以上的患者中，更有高达30％存在糖尿病性黄斑水肿。美国早期治疗糖尿病性视网膜病变研究小组(Early Treatment Diabetic Retinopathy Study,ETDRS)定义了具有临床意义的糖尿病性黄斑水肿至少需要满足以下具体标准中的1项：(1)在距离黄斑中心小于等于500微米的区域范围内，存在视网膜水肿增厚；(2)在距离黄斑中心小于等于500微米的区域范围内，存在硬性渗出，并且伴有邻近视网膜增厚；(3)至少有1个视盘直径范围的视网膜增厚，并且其任何部位病变距离黄斑中心均在1个视盘直径范围内。眼科医生需要通过既往病史询问、眼部检查、FFA和OCT查看以及快速血糖检查、糖耐量试验、视网膜电图(Electroretinogram,ERG)查看等一系列流程，才能够得出是否存在糖尿病性黄斑水肿的评估结论。既往病史询问主要是向病人了解是否近期做过内眼手术、是否患有糖尿病、以前是否患过葡萄膜炎或者发生过眼部感染、是否有夜盲或者其他眼病家族史、是否有包括局部使用肾上腺素、地匹福林等药物在内的用药史。眼部检查一般是采用裂隙灯结合三面镜、前置镜或者眼科用60/90D透镜检查黄斑部，并通过压迫巩膜对周边眼底进行必要的评估。至于FFA查看，主要是在FFA的早期观察黄斑中心凹周围毛细血管是否有荧光渗漏，在FFA的晚期观察黄斑部是否有荧光染色。至于OCT查看，主要是观察视网膜是否有板层和全层裂孔形成，以及测量黄斑水肿的厚度、面积、体积等。

同样，对于是否存在玻璃膜疣，需要由眼科医生通过临床视力检查、眼底检查、FFA和OCT查看、ERG和眼电图(Electrooculogram,EOG)查看等一系列流程，才能够得出评估结论。

综上所述，以黄斑为中心的视网膜OCT灰度图像不能直接用于眼科疾病的诊断与检测。然而，它可以作为确定视网膜是否正常的佐证材料。借助计算机进行视网膜OCT异常图像分类，把分类结果作为第二医疗意见提供给眼科医生。因此，采用模式识别、机器学习、医学图像处理等先进计算机应用技术的视网膜OCT异常图像分类虽然不能够彻底地或者完全地替代眼科医生，但是它在一定程度上可以使眼科医生降低劳动强度和提高工作效率。然而，现有的视网膜OCT异常图像分类方法普遍存在效果欠佳、适应性差、可分类数少等不足。

技术实现要素：

为了克服现有视网膜OCT异常图像分类方法存在的不足，本发明提出基于卷积神经网络的视网膜OCT异常图像分类方法，该方法在分类效果、适应性、可分类数等方面有着显著优势，有助于眼科医生降低劳动强度和提高工作效率。

本发明所述的视网膜OCT异常图像分类方法采用如下技术方案实现，包括以下步骤：

预处理步骤，基于待分类的视网膜OCT灰度图像数据进行缩放处理和规则化处理，以获得关于待分类视网膜OCT灰度图像的三阶张量X；

分类运算步骤，将所述预处理步骤获得的三阶张量X输入至卷积神经网络中，利用四阶权重张量集合W、权重列向量集合q、偏移列向量集合p进行前向传播运算，得到分类概率行向量y；

判断类型步骤，将所述分类概率行向量中数值最大的元素对应的类型作为待分类的视网膜OCT灰度图像的类型；

所述分类概率行向量y∈R^1×4，其四个元素分别与存在脉络膜新生血管的视网膜OCT灰度图像、存在糖尿病性黄斑水肿的视网膜OCT灰度图像、存在玻璃膜疣的视网膜OCT灰度图像、正常视网膜OCT灰度图像对应。

作为优选，所述卷积神经网络的训练方法包括：样本预处理步骤，基于m幅存在脉络膜新生血管的视网膜OCT灰度图像数据样本、m幅存在糖尿病性黄斑水肿的视网膜OCT灰度图像数据样本、m幅存在玻璃膜疣的视网膜OCT灰度图像数据样本、m幅正常视网膜OCT灰度图像数据样本进行缩放处理和规则化处理，以获得对应于m幅存在脉络膜新生血管的视网膜OCT灰度图像数据样本的三阶张量集合A＝{A1，A2，…，Am}、对应于m幅存在糖尿病性黄斑水肿的视网膜OCT灰度图像数据样本的三阶张量集合B＝{B1，B2，…，Bm}、对应于m幅存在玻璃膜疣的视网膜OCT灰度图像数据样本的三阶张量集合C＝{C1，C2，…，Cm}、对应于m幅正常视网膜OCT灰度图像数据样本的三阶张量集合D＝{D1，D2，…，Dm}；样本训练步骤，将A1，A2，…，Am，B1，B2，…，Bm，C1，C2，…，Cm，D1，D2，…，Dm输入到卷积神经网络中训练以得到所述四阶权重张量集合W、所述权重列向量集合q、所述偏移列向量集合p。

作为优选，所述卷积神经网络包括神经网络层以及跳接模块；所述神经网络层包括卷积单元、批标准化单元、激活单元，所述卷积单元利用所述四阶权重张量集合W中的对应四阶权重张量作为卷积核对该神经网络层的输入进行卷积操作以后输出至所述批标准化单元，所述批标准化单元利用所述权重列向量集合q中的对应权重列向量和所述偏移列向量集合p中的对应偏移列向量对输入数据进行批标准化操作以后输出至所述激活单元，所述激活单元对输入数据去负值以后输出；所述跳接模块用于将某一神经网络层的输出导出至该神经网络层之后的第三个神经网络层的激活单元的输入端。

作为优选，所述跳接模块包括卷积单元、批标准化单元，所述卷积单元利用所述四阶权重张量集合W中的对应四阶权重张量对所述跳接模块的输入进行卷积操作以后输出至所述批标准化单元，所述批标准化单元利用所述权重列向量集合q中的对应权重列向量和所述偏移列向量集合p中的对应偏移列向量对输入数据进行批标准化操作以后输出。

作为优选，所述卷积神经网络包括由上至下依次设置的第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层以及分类层。

作为优选，所述第一卷积层包括一个所述神经网络层，所述神经网络层的卷积单元采用64×3×7×7的卷积核进行卷积操作。

作为优选，所述第二卷积层包括3个第二神经网络层组；所述第三卷积层包括4个第三神经网络层组；所述第四卷积层包括6个第四神经网络层组；所述第五卷积层包括3个第五神经网络层组。

作为优选，所述第二神经网络层组由3个所述神经网络层组成，其中最上层的神经网络层的卷积单元分别采用64×64×1×1的卷积核，64×64×3×3的卷积核,256×64×1×1的卷积核执行相应的卷积操作，其余各神经网络层的卷积单元分别采用64×256×1×1的卷积核，64×64×3×3的卷积核,256×64×1×1的卷积核执行相应的卷积操作；

所述第三神经网络层组由3个所述神经网络层组成，其中最上层的神经网络层的卷积单元分别采用128×256×1×1的卷积核，128×128×3×3的卷积核，512×128×1×1的卷积核执行相应的卷积操作，其余各神经网络层的卷积单元分别采用128×512×1×1的卷积核，128×128×3×3的卷积核，512×128×1×1的卷积核执行相应的卷积操作；

所述第四神经网络层组由3个所述神经网络层组成，其中最上层的神经网络层的卷积单元分别采用256×512×1×1的卷积核，256×256×3×3的卷积核，1024×256×1×1的卷积核执行相应的卷积操作，其余各神经网络层的卷积单元分别采用256×1024×1×1的卷积核，256×256×3×3的卷积核，1024×256×1×1的卷积核执行相应的卷积操作；

所述第五神经网络层组由3个所述神经网络层组成，其中最上层的神经网络层的卷积单元分别采用512×1024×1×1的卷积核，512×512×3×3的卷积核，2048×512×1×1的卷积核执行相应的卷积操作，其余各神经网络层的卷积单元分别采用512×2048×1×1的卷积核，512×512×3×3的卷积核，2048×512×1×1的卷积核执行相应的卷积操作。

作为优选，所述第二卷积网络层还包括池化层；所述池化层，包括卷积单元、批标准化单元、激活单元、最大池化单元，所述卷积单元利用所述四阶权重张量集合W中的对应四阶权重张量作为卷积核对所述第二卷积网络层的输入进行卷积操作以后输出至所述批标准化单元，所述批标准化单元利用所述权重列向量集合q中的对应权重列向量和所述偏移列向量集合p中的对应偏移列向量对输入数据进行批标准化操作以后输出至所述激活单元，所述激活单元对输入数据进行最大池化以后输出至所述第二卷积网络层的第一个神经网络层组的输入端。

作为优选，所述样本训练步骤包括：基于输入数据由所述卷积神经网络的低卷积层向高卷积层传播以得输出值，并且基于所述输出与目标值之间的误差进行由所述卷积神经网络的高卷积层向低卷积层传播以更新所述四阶张量集合W、所述权重列向量集合q和所述偏移列向量集合p。

本发明具有如下有益效果：

1.本发明的视网膜OCT异常图像分类方法，能够将输入的未知类型的视网膜OCT灰度图像分类为存在脉络膜新生血管的视网膜OCT灰度图像、存在糖尿病性黄斑水肿的视网膜OCT灰度图像、存在玻璃膜疣的视网膜OCT灰度图像、正常视网膜OCT灰度图像。分类精确，贴合眼科医生的使用实际，有助于眼科医生降低劳动强度和提高工作效率。

2.基于卷积神经网络分类模型，分类精度高、训练运算量小、收敛性好。

附图说明

图1是基于卷积神经网络的视网膜OCT异常图像分类方法的基本流程图；

具体实施方式

在对多种视网膜OCT灰度图像进行实验分析的基础上，本发明提出了基于卷积神经网络的视网膜OCT异常图像分类方法，该方法可以有效区分视网膜OCT灰度图像是否存在异常。

下面结合附图和具体实施方式对本发明作进一步的详细描述。

如图1所示，本实施例基于卷积神经网络的视网膜OCT异常图像分类方法包括步骤：

一.预处理步骤

基于待分类的视网膜OCT灰度图像数据进行缩放处理和规则化处理，以获得关于待分类视网膜OCT灰度图像的三阶张量X。具体包括：

(一)样本预处理步骤

采用双线性插值算法把m幅存在脉络膜新生血管的视网膜OCT灰度图像数据样本、m幅存在糖尿病性黄斑水肿的视网膜OCT灰度图像数据样本、m幅存在玻璃膜疣的视网膜OCT灰度图像数据样本、m幅正常视网膜OCT灰度图像数据样本都统一缩放成高度和宽度均为224个像素点的灰度图像样本，经过统一缩放处理以后的m幅存在脉络膜新生血管的视网膜OCT灰度图像数据样本分别记为a1，a2，…，am；经过统一缩放处理以后的m幅存在糖尿病性黄斑水肿的视网膜OCT灰度图像数据样本分别记为b1，b2，…，bm；经过统一缩放处理以后的m幅存在玻璃膜疣的视网膜OCT灰度图像数据样本分别记为c1，c2，…，cm；经过统一缩放处理以后的m幅正常视网膜OCT灰度图像数据样本分别记为d1，d2，…，dm。

分别对a1，a2，…，am；b1，b2，…，bm；c1，c2，…，cm；d1，d2，…，dm进行规则化处理，得到4m个三阶张量。其中，a1，a2，…，am对应的m个三阶张量分别记为A1，A2，…，Am∈R^3×224×224；b1，b2，…，bm对应的m个三阶张量分别记为B1，B2，…，Bm∈R^3×224×224；c1，c2，…，cm对应的m个三阶张量分别记为C1，C2，…，Cm∈R^3×224×224；d1，d2，…，dm对应的m个三阶张量分别记为D1，D2，…，Dm∈R^3×224×224。从而获得对应于m幅存在脉络膜新生血管的视网膜OCT灰度图像数据样本的三阶张量集合A＝{A1，A2，…，Am}、对应于m幅存在糖尿病性黄斑水肿的视网膜OCT灰度图像数据样本的三阶张量集合B＝{B1，B2，…，Bm}、对应于m幅存在玻璃膜疣的视网膜OCT灰度图像数据样本的三阶张量集合C＝{C1，C2，…，Cm}、对应于m幅正常视网膜OCT灰度图像数据样本的三阶张量集合D＝{D1，D2，…，Dm}。

(二)样本训练步骤：将A1，A2，…，Am，B1，B2，…，Bm，C1，C2，…，Cm，D1，D2，…，Dm输入到卷积神经网络中训练以得到所述四阶权重张量集合W、所述权重列向量集合q、所述偏移列向量集合p。

本实施例的卷积神经网络由多个神经网络层以及多个跳接模块组成。分为上至下依次设置的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层以及分类层。其中，第一卷积层包括1个神经网络层；第二卷积层包括3个第二神经网络层组，各第二神经网络层组进一步由3个神经网络层组成；第三卷积层包括4个第三神经网络层组，各第三神经网络层组进一步由3个神经网络层组成；第四卷积层包括6个第四神经网络层组，各第四神经网络层组进一步由3个神经网络层组成；第五卷积层包括3个第五神经网络层组，各第五神经网络层组进一步由3个神经网络层组成。神经网络层包括卷积单元、批标准化单元、激活单元，卷积单元利用对该神经网络层的输入进行卷积操作以后输出至批标准化单元；批标准化单元利用对输入数据进行批标准化操作以后输出至激活单元；激活单元对输入数据去负值以后输出。跳接模块用于将某一神经网络层的输出导出至该神经网络层之后的第三个神经网络层的激活单元的输入端。

第一卷积层的神经网络层的卷积单元采用64×3×7×7的卷积核进行卷积操作。第二神经网络层组由3个神经网络层组成，其中最上层的神经网络层的卷积单元分别采用64×64×1×1的卷积核，64×64×3×3的卷积核，256×64×1×1的卷积核执行相应的卷积操作，其余各神经网络层的卷积单元分别采用64×256×1×1的卷积核，64×64×3×3的卷积核，256×64×1×1的卷积核执行相应的卷积操作。第三神经网络层组由3个神经网络层组成，其中最上层的神经网络层的卷积单元分别采用128×256×1×1的卷积核，128×128×3×3的卷积核，512×128×1×1的卷积核执行相应的卷积操作，其余各神经网络层的卷积单元分别采用128×512×1×1的卷积核，128×128×3×3的卷积核，512×128×1×1的卷积核执行相应的卷积操作。第四神经网络层组由3个神经网络层组成，其中最上层的神经网络层的卷积单元分别采用256×512×1×1的卷积核，256×256×3×3的卷积核，1024×256×1×1的卷积核执行相应的卷积操作，其余各神经网络层的卷积单元分别采用256×1024×1×1的卷积核，256×256×3×3的卷积核，1024×256×1×1的卷积核执行相应的卷积操作。第五神经网络层组由3个神经网络层组成，其中最上层的神经网络层的卷积单元分别采用512×1024×1×1的卷积核，512×512×3×3的卷积核，2048×512×1×1的卷积核执行相应的卷积操作，其余各神经网络层的卷积单元分别采用512×2048×1×1的卷积核，512×512×3×3的卷积核，2048×512×1×1的卷积核执行相应的卷积操作。

样本训练步骤中，基于输入数据由所述卷积神经网络的低卷积层向高卷积层传播以得输出值，并且基于所述输出与目标值之间的误差进行由所述卷积神经网络的高卷积层向低卷积层传播以更新所述四阶张量集合W、所述权重列向量集合q和所述偏移列向量集合p。

具体训练过程为：

把A1,A2,…,Am,B1,B2,…,Bm,C1,C2,…,Cm和D1,D2,…,Dm一起传送到上述卷积神经网络中进行训练学习，得到54个四阶权重张量W^β，54个权重列向量q^u，55个偏移列向量p^v和1个权重矩阵W⁶。

其中，

上标β＝102,112,122,103,104,113,123,111,121,202,212,222,232,203,213,223,233,211,221,231,302,312,322,332,342,352,303,313,323,333,343,353,311,321,331,341,351,402,412,422,403,413,423,411,421,101,201,204,301,304,401,404,0,5。

上标u＝0,101,102,111,112,121,122,201,202,211,212,221,222,231,232,103,104,113,123,301,302,311,312,321,322,331,332,341,342,351,352,203,204,213,223,233,401,402,411,412,421,422,303,304,313,323,333,343,353,403,404,413,423,5。

上标v＝0,101,102,111,112,121,122,201,202,211,212,221,222,231,232,103,104,113,123,301,302,311,312,321,322,331,332,341,342,351,352,401,402,203,204，213，223，233，411，412，421，422，303，304，313，323，333，343，353，403，404，413，423，5，6。

二.分类运算步骤

将所述预处理步骤获得的三阶张量X输入至卷积神经网络中，利用四阶权重张量集合W、权重列向量集合q、偏移列向量集合p进行前向传播运算，得到分类概率行向量y∈R^1×4。

本实施例的图像分类阶段，采用双线性插值算法把未知类别视网膜OCT灰度图像缩放成高度和宽度均为224个像素点的灰度图像，经过缩放处理以后的未知类别视网膜OCT灰度图像记为x。对x进行规则化处理，得到三阶张量X∈R^3×224×224。把X传送到已经完成训练学习的卷积神经网络中，利用训练得到的54个四阶权重张量W^β，54个权重列向量q^u，55个偏移列向量p^v和1个权重矩阵W⁶进行前向传播运算，得到分类概率行向量y∈R^1×4。

三.判断类型步骤

将所述分类概率行向量中数值最大的元素对应的类型作为待分类的视网膜OCT灰度图像的类型。所述分类概率行向量y∈R^1×4，其四个元素分别与存在脉络膜新生血管的视网膜OCT灰度图像、存在糖尿病性黄斑水肿的视网膜OCT灰度图像、存在玻璃膜疣的视网膜OCT灰度图像、正常视网膜OCT灰度图像对应。

具体的，比较y的四个元素y1，y2，y3，y4之间的大小关系，如果满足y1≥y2，y1≥y3并且y1≥y4，那么把x归类为存在脉络膜新生血管的视网膜OCT灰度图像，如果满足y2≥y1，y2≥y3并且y2≥y4，那么把x归类为存在糖尿病性黄斑水肿的视网膜OCT灰度图像，如果满足y3≥y1，y3≥y2并且y3≥y4，那么把x归类为存在玻璃膜疣的视网膜OCT灰度图像，如果满足y4≥y1，y4≥y2并且y4≥y3，那么把x归类为正常视网膜OCT灰度图像，其中y1为y的第1个元素，y2为y的第2个元素，y3为y的第3个元素，y4为y的第4个元素。

作为优选，前述样本预处理步骤中对视网膜OCT灰度图像进行规则化处理包括以下步骤：

SS201.把每一个ai视为一个数据矩阵把每一个bi视为一个数据矩阵把每一个ci视为一个数据矩阵把每一个di视为一个数据矩阵其中下标i表示样本序号，i＝1，2，…，m；

SS202.把中的每一个元素都先减去0.485，然后再除以0.229，得到另一个数据矩阵把中的每一个元素都先减去0.485，然后再除以0.229，得到另一个数据矩阵把中的每一个元素都先减去0.485，然后再除以0.229，得到另一个数据矩阵把中的每一个元素都先减去0.485，然后再除以0.229，得到另一个数据矩阵其中下标i表示样本序号，i＝1,2,···,m；

SS203.把中的每一个元素都先减去0.456，然后再除以0.224，得到另一个数据矩阵把中的每一个元素都先减去0.456，然后再除以0.224，得到另一个数据矩阵把中的每一个元素都先减去0.456，然后再除以0.224，得到另一个数据矩阵把中的每一个元素都先减去0.456，然后再除以0.224，得到另一个数据矩阵其中下标i表示样本序号，i＝1,2,···,m；

SS204.把中的每一个元素都先减去0.406，然后再除以0.225，得到另一个数据矩阵把中的每一个元素都先减去0.406，然后再除以0.225，得到另一个数据矩阵把中的每一个元素都先减去0.406，然后再除以0.225，得到另一个数据矩阵把中的每一个元素都先减去0.406，然后再除以0.225，得到另一个数据矩阵其中下标i表示样本序号，i＝1,2,···,m；

SS205.为每一个ai构建一个三阶张量Ai∈R^3×224×224，用更新Ai沿着模式1方向的第1个切片，即为每一个bi构建一个三阶张量Bi∈R^3×224×224，用更新Bi沿着模式1方向的第1个切片，即为每一个ci构建一个三阶张量Ci∈R^3×224×224，用更新Ci沿着模式1方向的第1个切片，即为每一个di构建一个三阶张量Di∈R^3×224×224，用更新Di沿着模式1方向的第1个切片，即其中Ai(1,:,:),Bi(1,:,:),Ci(1,:,:)和Di(1,:,:)分别为Ai,Bi,Ci和Di沿着模式1方向的第1个切片，即Ai,Bi,Ci和Di的第1个水平切片，下标i表示样本序号，i＝1,2,···,m；

SS206.用更新Ai沿着模式1方向的第2个切片，即用更新Bi沿着模式1方向的第2个切片，即用更新Ci沿着模式1方向的第2个切片，即用更新Di沿着模式1方向的第2个切片，即其中Ai(2,:,:),Bi(2,:,:),Ci(2,:,:)和Di(2,:,:)分别为Ai,Bi,Ci和Di沿着模式1方向的第2个切片，即Ai,Bi,Ci和Di的第2个水平切片，下标i表示样本序号，i＝1,2,···,m；

SS207.用更新Ai沿着模式1方向的第3个切片，即用更新Bi沿着模式1方向的第3个切片，即用更新Ci沿着模式1方向的第3个切片，即用更新Di沿着模式1方向的第3个切片，即其中Ai(3,:,:),Bi(3,:,:),Ci(3,:,:)和Di(3,:,:)分别为Ai,Bi,Ci和Di沿着模式1方向的第3个切片，即Ai,Bi,Ci和Di的第3个水平切片，下标i表示样本序号，i＝1,2,···,m；

SS208.完成规则化处理，输出Ai,Bi,Ci和Di，其中下标i表示样本序号，i＝1,2,···,m。

作为优选，前述的样本训练步骤中的训练学习包括以下步骤：

SS3001.分别构建54个四阶权重张量W¹⁰²,W¹¹²,W¹²²∈R^64×64×3×3，W¹⁰³,W¹⁰⁴,W¹¹³,W¹²³∈R^{256×64×1×1}，W¹¹¹,W¹²¹∈R^{64×256×1×1}，W²⁰²,W²¹²,W²²²,W²³²∈R^{128×128×3×3}，W²⁰³,W²¹³,W²²³,W²³³∈R^{512×128×1×1}，W²¹¹,W²²¹,W²³¹∈R^{128×512×1×1}，W³⁰²,W³¹²,W³²²,W³³²,W³⁴²,W³⁵²∈R^{256×256×3×3}，W³⁰³,W³¹³,W³²³,W³³³,W³⁴³,W³⁵³∈R^{1024×256×1×1}，W³¹¹,W³²¹,W³³¹,W³⁴¹,W³⁵¹∈R^{256×1024×1×1}，W⁴⁰²,W⁴¹²,W⁴²²∈R^{512×512×3×3}，W⁴⁰³,W⁴¹³,W⁴²³∈R^{2048×512×1×1}，W⁴¹¹,W⁴²¹∈R^{512×2048×1×1}，W⁰∈R^64×3×7×7，W¹⁰¹∈R^64×64×1×1，W²⁰¹∈R^{128×256×1×1}，W²⁰⁴∈R^{512×256×1×1}，W³⁰¹∈R^{256×512×1×1}，W³⁰⁴∈R^{1024×512×1×1}，W⁴⁰¹∈R^{512×1024×1×1}，W⁴⁰⁴∈R^{2048×1024×1×1}，W⁵∈R^{256×2048×1×1}，并以均值为0、标准差为0.03的高斯分布的随机数初始化这54个四阶权重张量，分别构建54个权重列向量q⁰,q¹⁰¹,q¹⁰²,q¹¹¹,q¹¹²,q¹²¹,q¹²²∈R^64×1，q²⁰¹,q²⁰²,q²¹¹,q²¹²,q²²¹,q²²²,q²³¹,q²³²∈R^128×1，q¹⁰³,q¹⁰⁴,q¹¹³,q¹²³,q³⁰¹,q³⁰²,q³¹¹,q³¹²,q³²¹,q³²²,q³³¹,q³³²,q³⁴¹,q³⁴²,q³⁵¹,q³⁵²,q⁵∈R^256×1，q²⁰³,q²⁰⁴,q²¹³,q²²³,q²³³,q⁴⁰¹,q⁴⁰²,q⁴¹¹,q⁴¹²,q⁴²¹,q⁴²²∈R^512×1，q³⁰³,q³⁰⁴,q³¹³,q³²³,q³³³,q³⁴³,q³⁵³∈R^1024×1，q⁴⁰³,q⁴⁰⁴,q⁴¹³,q⁴²³∈R^2048×1，并把这54个权重列向量中的各个元素都初始化为1，分别构建54个偏移列向量p⁰,p¹⁰¹,p¹⁰²,p¹¹¹,p¹¹²,p¹²¹,p¹²²∈R^64×1，p²⁰¹,p²⁰²,p²¹¹,p²¹²,p²²¹,p²²²,p²³¹,p²³²∈R^128×1，p¹⁰³,p¹⁰⁴,p¹¹³,p¹²³,p³⁰¹,p³⁰²,p³¹¹,p³¹²,p³²¹,p³²²,p³³¹,p³³²,p³⁴¹,p³⁴²,p³⁵¹,p³⁵²,p⁵∈R^256×1，p²⁰³,p²⁰⁴,p²¹³,p²²³,p²³³,p⁴⁰¹,p⁴⁰²,p⁴¹¹,p⁴¹²,p⁴²¹,p⁴²²∈R^512×1，p³⁰³,p³⁰⁴,p³¹³,p³²³,p³³³,p³⁴³,p³⁵³∈R^1024×1，p⁴⁰³,p⁴⁰⁴,p⁴¹³,p⁴²³∈R^2048×1，并把这54个偏移列向量中的各个元素都初始化为0，构建权重矩阵W⁶∈R^4×32896，并以均值为0、标准差为0.02的高斯分布的随机数初始化W⁶，构建偏移列向量p⁶∈R^4×1，并以均值为0、标准差为0.02的高斯分布的随机数初始化p⁶；

SS3002.定义迭代序号α并初始化为0，即α＝0；

SS3003.定义批次序号k并初始化为1，即k＝1；

SS3004.把ak对应的三阶张量Ak、bk对应的三阶张量Bk、ck对应的三阶张量Ck和dk对应的三阶张量Dk沿着样本方向堆叠成第k批四阶张量训练数据Jk∈R^{4×3×224×224}，其中ak,Ak,bk,Bk,ck,Ck,dk和Dk的下标k表示样本序号，Jk的下标k表示批次序号；

SS3005.把Jk视为4个样本的高度和宽度均为224的3通道数据，把W⁰视为64个高度和宽度均为7的3通道卷积核，采用W⁰对Jk进行步长(stride)为2、每边补零延拓(zero-padding)边界数为3的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为112的64通道数据H¹∈R^{4×64×112×112}；

SS3006.分别以q⁰和p⁰为用于仿射变换的尺度参数和平移参数，对H¹进行批标准化操作，得到结果H²∈R^{4×64×112×112}；

SS3007.构建四阶张量H³∈R^{4×64×112×112}并通过H³＝H²初始化，然后把H³中的负值元素更新为0，其他元素保持不变；

SS3008.把H³视为4个样本的高度和宽度均为112的64通道数据，对H³进行窗口高度和宽度均为3、步长为2、每边补零延拓边界数为1的逐样本逐通道二维最大池化操作，得到结果H⁴∈R^{4×64×56×56}；

SS3009.把H⁴视为4个样本的高度和宽度均为56的64通道数据，把W¹⁰¹视为64个高度和宽度均为1的64通道卷积核，采用W¹⁰¹对H⁴进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的64通道数据H⁵∈R^{4×64×56×56}；

SS3010.分别以q¹⁰¹和p¹⁰¹为用于仿射变换的尺度参数和平移参数，对H⁵进行批标准化操作，得到结果H⁶∈R^{4×64×56×56}；

SS3011.构建四阶张量H⁷∈R^{4×64×56×56}并通过H⁷＝H⁶初始化，然后把H⁷中的负值元素更新为0，其他元素保持不变；

SS3012.把H⁷视为4个样本的高度和宽度均为56的64通道数据，把W¹⁰²视为64个高度和宽度均为3的64通道卷积核，采用W¹⁰²对H⁷进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的64通道数据H⁸∈R^{4×64×56×56}；

SS3013.分别以q¹⁰²和p¹⁰²为用于仿射变换的尺度参数和平移参数，对H⁸进行批标准化操作，得到结果H⁹∈R^{4×64×56×56}；

SS3014.构建四阶张量H¹⁰∈R^{4×64×56×56}并通过H¹⁰＝H⁹初始化，然后把H¹⁰中的负值元素更新为0，其他元素保持不变；

SS3015.把H¹⁰视为4个样本的高度和宽度均为56的64通道数据，把W¹⁰³视为256个高度和宽度均为1的64通道卷积核，采用W¹⁰³对H¹⁰进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的256通道数据H¹¹∈R^{4×256×56×56}；

SS3016.分别以q¹⁰³和p¹⁰³为用于仿射变换的尺度参数和平移参数，对H¹¹进行批标准化操作，得到结果H¹²∈R^{4×256×56×56}；

SS3017.把H⁴视为4个样本的高度和宽度均为56的64通道数据，把W¹⁰⁴视为256个高度和宽度均为1的64通道卷积核，采用W¹⁰⁴对H⁴进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的256通道数据H¹³∈R^{4×256×56×56}；

SS3018.分别以q¹⁰⁴和p¹⁰⁴为用于仿射变换的尺度参数和平移参数，对H¹³进行批标准化操作，得到结果H¹⁴∈R^{4×256×56×56}；

SS3019.对H¹²和H¹⁴进行逐元素相加操作，得到结果H¹⁵∈R^{4×256×56×56}；

SS3020.构建四阶张量H¹⁶∈R^{4×256×56×56}并通过H¹⁶＝H¹⁵初始化，然后把H¹⁶中的负值元素更新为0，其他元素保持不变；

SS3021.把H¹⁶视为4个样本的高度和宽度均为56的256通道数据，把W¹¹¹视为64个高度和宽度均为1的256通道卷积核，采用W¹¹¹对H¹⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的64通道数据H¹⁷∈R^{4×64×56×56}；

SS3022.分别以q¹¹¹和p¹¹¹为用于仿射变换的尺度参数和平移参数，对H¹⁷进行批标准化操作，得到结果H¹⁸∈R^{4×64×56×56}；

SS3023.构建四阶张量H¹⁹∈R^{4×64×56×56}并通过H¹⁹＝H¹⁸初始化，然后把H¹⁹中的负值元素更新为0，其他元素保持不变；

SS3024.把H¹⁹视为4个样本的高度和宽度均为56的64通道数据，把W¹¹²视为64个高度和宽度均为3的64通道卷积核，采用W¹¹²对H¹⁹进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的64通道数据H²⁰∈R^{4×64×56×56}；

SS3025.分别以q¹¹²和p¹¹²为用于仿射变换的尺度参数和平移参数，对H²⁰进行批标准化操作，得到结果H²¹∈R^{4×64×56×56}；

SS3026.构建四阶张量H²²∈R^{4×64×56×56}并通过H²²＝H²¹初始化，然后把H²²中的负值元素更新为0，其他元素保持不变；

SS3027.把H²²视为4个样本的高度和宽度均为56的64通道数据，把W¹¹³视为256个高度和宽度均为1的64通道卷积核，采用W¹¹³对H²²进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的256通道数据H²³∈R^{4×256×56×56}；

SS3028.分别以q¹¹³和p¹¹³为用于仿射变换的尺度参数和平移参数，对H²³进行批标准化操作，得到结果H²⁴∈R^{4×256×56×56}；

SS3029.对H¹⁶和H²⁴进行逐元素相加操作，得到结果H²⁵∈R^{4×256×56×56}；

SS3030.构建四阶张量H²⁶∈R^{4×256×56×56}并通过H²⁶＝H²⁵初始化，然后把H²⁶中的负值元素更新为0，其他元素保持不变；

SS3031.把H²⁶视为4个样本的高度和宽度均为56的256通道数据，把W¹²¹视为64个高度和宽度均为1的256通道卷积核，采用W¹²¹对H²⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的64通道数据H²⁷∈R^{4×64×56×56}；

SS3032.分别以q¹²¹和p¹²¹为用于仿射变换的尺度参数和平移参数，对H²⁷进行批标准化操作，得到结果H²⁸∈R^{4×64×56×56}；

SS3033.构建四阶张量H²⁹∈R^{4×64×56×56}并通过H²⁹＝H²⁸初始化，然后把H²⁹中的负值元素更新为0，其他元素保持不变；

SS3034.把H²⁹视为4个样本的高度和宽度均为56的64通道数据，把W¹²²视为64个高度和宽度均为3的64通道卷积核，采用W¹²²对H²⁹进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的64通道数据H³⁰∈R^{4×64×56×56}；

SS3035.分别以q¹²²和p¹²²为用于仿射变换的尺度参数和平移参数，对H³⁰进行批标准化操作，得到结果H³¹∈R^{4×64×56×56}；

SS3036.构建四阶张量H³²∈R^{4×64×56×56}并通过H³²＝H³¹初始化，然后把H³²中的负值元素更新为0，其他元素保持不变；

SS3037.把H³²视为4个样本的高度和宽度均为56的64通道数据，把W¹²³视为256个高度和宽度均为1的64通道卷积核，采用W¹²³对H³²进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的256通道数据H³³∈R^{4×256×56×56}；

SS3038.分别以q¹²³和p¹²³为用于仿射变换的尺度参数和平移参数，对H³³进行批标准化操作，得到结果H³⁴∈R^{4×256×56×56}；

SS3039.对H²⁶和H³⁴进行逐元素相加操作，得到结果H³⁵∈R^{4×256×56×56}；

SS3040.构建四阶张量H³⁶∈R^{4×256×56×56}并通过H³⁶＝H³⁵初始化，然后把H³⁶中的负值元素更新为0，其他元素保持不变；

SS3041.把H³⁶视为4个样本的高度和宽度均为56的256通道数据，把W²⁰¹视为128个高度和宽度均为1的256通道卷积核，采用W²⁰¹对H³⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为56的128通道数据H³⁷∈R^{4×128×56×56}；

SS3042.分别以q²⁰¹和p²⁰¹为用于仿射变换的尺度参数和平移参数，对H³⁷进行批标准化操作，得到结果H³⁸∈R^{4×128×56×56}；

SS3043.构建四阶张量H³⁹∈R^{4×128×56×56}并通过H³⁹＝H³⁸初始化，然后把H³⁹中的负值元素更新为0，其他元素保持不变；

SS3044.把H³⁹视为4个样本的高度和宽度均为56的128通道数据，把W²⁰²视为128个高度和宽度均为3的128通道卷积核，采用W²⁰²对H³⁹进行步长为2、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的128通道数据H⁴⁰∈R^{4×128×28×28}；

SS3045.分别以q²⁰²和p²⁰²为用于仿射变换的尺度参数和平移参数，对H⁴⁰进行批标准化操作，得到结果H⁴¹∈R^{4×128×28×28}；

SS3046.构建四阶张量H⁴²∈R^{4×128×28×28}并通过H⁴²＝H⁴¹初始化，然后把H⁴²中的负值元素更新为0，其他元素保持不变；

SS3047.把H⁴²视为4个样本的高度和宽度均为28的128通道数据，把W²⁰³视为512个高度和宽度均为1的128通道卷积核，采用W²⁰³对H⁴²进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的512通道数据H⁴³∈R^{4×512×28×28}；

SS3048.分别以q²⁰³和p²⁰³为用于仿射变换的尺度参数和平移参数，对H⁴³进行批标准化操作，得到结果H⁴⁴∈R^{4×512×28×28}；

SS3049.把H³⁶视为4个样本的高度和宽度均为56的256通道数据，把W²⁰⁴视为512个高度和宽度均为1的256通道卷积核，采用W²⁰⁴对H³⁶进行步长为2、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的512通道数据H⁴⁵∈R^{4×512×28×28}；

SS3050.分别以q²⁰⁴和p²⁰⁴为用于仿射变换的尺度参数和平移参数，对H⁴⁵进行批标准化操作，得到结果H⁴⁶∈R^{4×512×28×28}；

SS3051.对H⁴⁴和H⁴⁶进行逐元素相加操作，得到结果H⁴⁷∈R^{4×512×28×28}；

SS3052.构建四阶张量H⁴⁸∈R^{4×512×28×28}并通过H⁴⁸＝H⁴⁷初始化，然后把H⁴⁸中的负值元素更新为0，其他元素保持不变；

SS3053.把H⁴⁸视为4个样本的高度和宽度均为28的512通道数据，把W²¹¹视为128个高度和宽度均为1的512通道卷积核，采用W²¹¹对H⁴⁸进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的128通道数据H⁴⁹∈R^{4×128×28×28}；

SS3054.分别以q²¹¹和p²¹¹为用于仿射变换的尺度参数和平移参数，对H⁴⁹进行批标准化操作，得到结果H⁵⁰∈R^{4×128×28×28}；

SS3055.构建四阶张量H⁵¹∈R^{4×128×28×28}并通过H⁵¹＝H⁵⁰初始化，然后把H⁵¹中的负值元素更新为0，其他元素保持不变；

SS3056.把H⁵¹视为4个样本的高度和宽度均为28的128通道数据，把W²¹²视为128个高度和宽度均为3的128通道卷积核，采用W²¹²对H⁵¹进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的128通道数据H⁵²∈R^{4×128×28×28}；

SS3057.分别以q²¹²和p²¹²为用于仿射变换的尺度参数和平移参数，对H⁵²进行批标准化操作，得到结果H⁵³∈R^{4×128×28×28}；

SS3058.构建四阶张量H⁵⁴∈R^{4×128×28×28}并通过H⁵⁴＝H⁵³初始化，然后把H⁵⁴中的负值元素更新为0，其他元素保持不变；

SS3059.把H⁵⁴视为4个样本的高度和宽度均为28的128通道数据，把W²¹³视为512个高度和宽度均为1的128通道卷积核，采用W²¹³对H⁵⁴进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的512通道数据H⁵⁵∈R^{4×512×28×28}；

SS3060.分别以q²¹³和p²¹³为用于仿射变换的尺度参数和平移参数，对H⁵⁵进行批标准化操作，得到结果H⁵⁶∈R^{4×512×28×28}；

SS3061.对H⁴⁸和H⁵⁶进行逐元素相加操作，得到结果H⁵⁷∈R^{4×512×28×28}；

SS3062.构建四阶张量H⁵⁸∈R^{4×512×28×28}并通过H⁵⁸＝H⁵⁷初始化，然后把H⁵⁸中的负值元素更新为0，其他元素保持不变；

SS3063.把H⁵⁸视为4个样本的高度和宽度均为28的512通道数据，把W²²¹视为128个高度和宽度均为1的512通道卷积核，采用W²²¹对H⁵⁸进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的128通道数据H⁵⁹∈R^{4×128×28×28}；

SS3064.分别以q²²¹和p²²¹为用于仿射变换的尺度参数和平移参数，对H⁵⁹进行批标准化操作，得到结果H⁶⁰∈R^{4×128×28×28}；

SS3065.构建四阶张量H⁶¹∈R^{4×128×28×28}并通过H⁶¹＝H⁶⁰初始化，然后把H⁶¹中的负值元素更新为0，其他元素保持不变；

SS3066.把H⁶¹视为4个样本的高度和宽度均为28的128通道数据，把W²²²视为128个高度和宽度均为3的128通道卷积核，采用W²²²对H⁶¹进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的128通道数据H⁶²∈R^{4×128×28×28}；

SS3067.分别以q²²²和p²²²为用于仿射变换的尺度参数和平移参数，对H⁶²进行批标准化操作，得到结果H⁶³∈R^{4×128×28×28}；

SS3068.构建四阶张量H⁶⁴∈R^{4×128×28×28}并通过H⁶⁴＝H⁶³初始化，然后把H⁶⁴中的负值元素更新为0，其他元素保持不变；

SS3069.把H⁶⁴视为4个样本的高度和宽度均为28的128通道数据，把W²²³视为512个高度和宽度均为1的128通道卷积核，采用W²²³对H⁶⁴进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的512通道数据H⁶⁵∈R^{4×512×28×28}；

SS3070.分别以q²²³和p²²³为用于仿射变换的尺度参数和平移参数，对H⁶⁵进行批标准化操作，得到结果H⁶⁶∈R^{4×512×28×28}；

SS3071.对H⁵⁸和H⁶⁶进行逐元素相加操作，得到结果H⁶⁷∈R^{4×512×28×28}；

SS3072.构建四阶张量H⁶⁸∈R^{4×512×28×28}并通过H⁶⁸＝H⁶⁷初始化，然后把H⁶⁸中的负值元素更新为0，其他元素保持不变；

SS3073.把H⁶⁸视为4个样本的高度和宽度均为28的512通道数据，把W²³¹视为128个高度和宽度均为1的512通道卷积核，采用W²³¹对H⁶⁸进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的128通道数据H⁶⁹∈R^{4×128×28×28}；

SS3074.分别以q²³¹和p²³¹为用于仿射变换的尺度参数和平移参数，对H⁶⁹进行批标准化操作，得到结果H⁷⁰∈R^{4×128×28×28}；

SS3075.构建四阶张量H⁷¹∈R^{4×128×28×28}并通过H⁷¹＝H⁷⁰初始化，然后把H⁷¹中的负值元素更新为0，其他元素保持不变；

SS3076.把H⁷¹视为4个样本的高度和宽度均为28的128通道数据，把W²³²视为128个高度和宽度均为3的128通道卷积核，采用W²³²对H⁷¹进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的128通道数据H⁷²∈R^{4×128×28×28}；

SS3077.分别以q²³²和p²³²为用于仿射变换的尺度参数和平移参数，对H⁷²进行批标准化操作，得到结果H⁷³∈R^{4×128×28×28}；

SS3078.构建四阶张量H⁷⁴∈R^{4×128×28×28}并通过H⁷⁴＝H⁷³初始化，然后把H⁷⁴中的负值元素更新为0，其他元素保持不变；

SS3079.把H⁷⁴视为4个样本的高度和宽度均为28的128通道数据，把W²³³视为512个高度和宽度均为1的128通道卷积核，采用W²³³对H⁷⁴进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的512通道数据H⁷⁵∈R^{4×512×28×28}；

SS3080.分别以q²³³和p²³³为用于仿射变换的尺度参数和平移参数，对H⁷⁵进行批标准化操作，得到结果H⁷⁶∈R^{4×512×28×28}；

SS3081.对H⁶⁸和H⁷⁶进行逐元素相加操作，得到结果H⁷⁷∈R^{4×512×28×28}；

SS3082.构建四阶张量H⁷⁸∈R^{4×512×28×28}并通过H⁷⁸＝H⁷⁷初始化，然后把H⁷⁸中的负值元素更新为0，其他元素保持不变；

SS3083.把H⁷⁸视为4个样本的高度和宽度均为28的512通道数据，把W³⁰¹视为256个高度和宽度均为1的512通道卷积核，采用W³⁰¹对H⁷⁸进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为28的256通道数据H⁷⁹∈R^{4×256×28×28}；

SS3084.分别以q³⁰¹和p³⁰¹为用于仿射变换的尺度参数和平移参数，对H⁷⁹进行批标准化操作，得到结果H⁸⁰∈R^{4×256×28×28}；

SS3085.构建四阶张量H⁸¹∈R^{4×256×28×28}并通过H⁸¹＝H⁸⁰初始化，然后把H⁸¹中的负值元素更新为0，其他元素保持不变；

SS3086.把H⁸¹视为4个样本的高度和宽度均为28的256通道数据，把W³⁰²视为256个高度和宽度均为3的256通道卷积核，采用W³⁰²对H⁸¹进行步长为2、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H⁸²∈R^{4×256×14×14}；

SS3087.分别以q³⁰²和p³⁰²为用于仿射变换的尺度参数和平移参数，对H⁸²进行批标准化操作，得到结果H⁸³∈R^{4×256×14×14}；

SS3088.构建四阶张量H⁸⁴∈R^{4×256×14×14}并通过H⁸⁴＝H⁸³初始化，然后把H⁸⁴中的负值元素更新为0，其他元素保持不变；

SS3089.把H⁸⁴视为4个样本的高度和宽度均为14的256通道数据，把W³⁰³视为1024个高度和宽度均为1的256通道卷积核，采用W³⁰³对H⁸⁴进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的1024通道数据H⁸⁵∈R^{4×1024×14×14}；

SS3090.分别以q³⁰³和p³⁰³为用于仿射变换的尺度参数和平移参数，对H⁸⁵进行批标准化操作，得到结果H⁸⁶∈R^{4×1024×14×14}；

SS3091.把H⁷⁸视为4个样本的高度和宽度均为28的512通道数据，把W³⁰⁴视为1024个高度和宽度均为1的512通道卷积核，采用W³⁰⁴对H⁷⁸进行步长为2、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的1024通道数据H⁸⁷∈R^{4×1024×14×14}；

SS3092.分别以q³⁰⁴和p³⁰⁴为用于仿射变换的尺度参数和平移参数，对H⁸⁷进行批标准化操作，得到结果H⁸⁸∈R^{4×1024×14×14}；

SS3093.对H⁸⁶和H⁸⁸进行逐元素相加操作，得到结果H⁸⁹∈R^{4×1024×14×14}；

SS3094.构建四阶张量H⁹⁰∈R^{4×1024×14×14}并通过H⁹⁰＝H⁸⁹初始化，然后把H⁹⁰中的负值元素更新为0，其他元素保持不变；

SS3095.把H⁹⁰视为4个样本的高度和宽度均为14的1024通道数据，把W³¹¹视为256个高度和宽度均为1的1024通道卷积核，采用W³¹¹对H⁹⁰进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H⁹¹∈R^{4×256×14×14}；

SS3096.分别以q³¹¹和p³¹¹为用于仿射变换的尺度参数和平移参数，对H⁹¹进行批标准化操作，得到结果H⁹²∈R^{4×256×14×14}；

SS3097.构建四阶张量H⁹³∈R^{4×256×14×14}并通过H⁹³＝H⁹²初始化，然后把H⁹³中的负值元素更新为0，其他元素保持不变；

SS3098.把H⁹³视为4个样本的高度和宽度均为14的256通道数据，把W³¹²视为256个高度和宽度均为3的256通道卷积核，采用W³¹²对H⁹³进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H⁹⁴∈R^{4×256×14×14}；

SS3099.分别以q³¹²和p³¹²为用于仿射变换的尺度参数和平移参数，对H⁹⁴进行批标准化操作，得到结果H⁹⁵∈R^{4×256×14×14}；

SS3100.构建四阶张量H⁹⁶∈R^{4×256×14×14}并通过H⁹⁶＝H⁹⁵初始化，然后把H⁹⁶中的负值元素更新为0，其他元素保持不变；

SS3101.把H⁹⁶视为4个样本的高度和宽度均为14的256通道数据，把W³¹³视为1024个高度和宽度均为1的256通道卷积核，采用W³¹³对H⁹⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的1024通道数据H⁹⁷∈R^{4×1024×14×14}；

SS3102.分别以q³¹³和p³¹³为用于仿射变换的尺度参数和平移参数，对H⁹⁷进行批标准化操作，得到结果H⁹⁸∈R^{4×1024×14×14}；

SS3103.对H⁹⁰和H⁹⁸进行逐元素相加操作，得到结果H⁹⁹∈R^{4×1024×14×14}；

SS3104.构建四阶张量H¹⁰⁰∈R^{4×1024×14×14}并通过H¹⁰⁰＝H⁹⁹初始化，然后把H¹⁰⁰中的负值元素更新为0，其他元素保持不变；

SS3105.把H¹⁰⁰视为4个样本的高度和宽度均为14的1024通道数据，把W³²¹视为256个高度和宽度均为1的1024通道卷积核，采用W³²¹对H¹⁰⁰进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹⁰¹∈R^{4×256×14×14}；

SS3106.分别以q³²¹和p³²¹为用于仿射变换的尺度参数和平移参数，对H¹⁰¹进行批标准化操作，得到结果H¹⁰²∈R^{4×256×14×14}；

SS3107.构建四阶张量H¹⁰³∈R^{4×256×14×14}并通过H¹⁰³＝H¹⁰²初始化，然后把H¹⁰³中的负值元素更新为0，其他元素保持不变；

SS3108.把H¹⁰³视为4个样本的高度和宽度均为14的256通道数据，把W³²²视为256个高度和宽度均为3的256通道卷积核，采用W³²²对H¹⁰³进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹⁰⁴∈R^{4×256×14×14}；

SS3109.分别以q³²²和p³²²为用于仿射变换的尺度参数和平移参数，对H¹⁰⁴进行批标准化操作，得到结果H¹⁰⁵∈R^{4×256×14×14}；

SS3110.构建四阶张量H¹⁰⁶∈R^{4×256×14×14}并通过H¹⁰⁶＝H¹⁰⁵初始化，然后把H¹⁰⁶中的负值元素更新为0，其他元素保持不变；

SS3111.把H¹⁰⁶视为4个样本的高度和宽度均为14的256通道数据，把W³²³视为1024个高度和宽度均为1的256通道卷积核，采用W³²³对H¹⁰⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的1024通道数据H¹⁰⁷∈R^{4×1024×14×14}；

SS3112.分别以q³²³和p³²³为用于仿射变换的尺度参数和平移参数，对H¹⁰⁷进行批标准化操作，得到结果H¹⁰⁸∈R^{4×1024×14×14}；

SS3113.对H¹⁰⁰和H¹⁰⁸进行逐元素相加操作，得到结果H¹⁰⁹∈R^{4×1024×14×14}；

SS3114.构建四阶张量H¹¹⁰∈R^{4×1024×14×14}并通过H¹¹⁰＝H¹⁰⁹初始化，然后把H¹¹⁰中的负值元素更新为0，其他元素保持不变；

SS3115.把H¹¹⁰视为4个样本的高度和宽度均为14的1024通道数据，把W³³¹视为256个高度和宽度均为1的1024通道卷积核，采用W³³¹对H¹¹⁰进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹¹¹∈R^{4×256×14×14}；

SS3116.分别以q³³¹和p³³¹为用于仿射变换的尺度参数和平移参数，对H¹¹¹进行批标准化操作，得到结果H¹¹²∈R^{4×256×14×14}；

SS3117.构建四阶张量H¹¹³∈R^{4×256×14×14}并通过H¹¹³＝H¹¹²初始化，然后把H¹¹³中的负值元素更新为0，其他元素保持不变；

SS3118.把H¹¹³视为4个样本的高度和宽度均为14的256通道数据，把W³³²视为256个高度和宽度均为3的256通道卷积核，采用W³³²对H¹¹³进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹¹⁴∈R^{4×256×14×14}；

SS3119.分别以q³³²和p³³²为用于仿射变换的尺度参数和平移参数，对H¹¹⁴进行批标准化操作，得到结果H¹¹⁵∈R^{4×256×14×14}；

SS3120.构建四阶张量H¹¹⁶∈R^{4×256×14×14}并通过H¹¹⁶＝H¹¹⁵初始化，然后把H¹¹⁶中的负值元素更新为0，其他元素保持不变；

SS3121.把H¹¹⁶视为4个样本的高度和宽度均为14的256通道数据，把W³³³视为1024个高度和宽度均为1的256通道卷积核，采用W³³³对H¹¹⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的1024通道数据H¹¹⁷∈R^{4×1024×14×14}；

SS3122.分别以q³³³和p³³³为用于仿射变换的尺度参数和平移参数，对H¹¹⁷进行批标准化操作，得到结果H¹¹⁸∈R^{4×1024×14×14}；

SS3123.对H¹¹⁰和H¹¹⁸进行逐元素相加操作，得到结果H¹¹⁹∈R^{4×1024×14×14}；

SS3124.构建四阶张量H¹²⁰∈R^{4×1024×14×14}并通过H¹²⁰＝H¹¹⁹初始化，然后把H¹²⁰中的负值元素更新为0，其他元素保持不变；

SS3125.把H¹²⁰视为4个样本的高度和宽度均为14的1024通道数据，把W³⁴¹视为256个高度和宽度均为1的1024通道卷积核，采用W³⁴¹对H¹²⁰进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹²¹∈R^{4×256×14×14}；

SS3126.分别以q³⁴¹和p³⁴¹为用于仿射变换的尺度参数和平移参数，对H¹²¹进行批标准化操作，得到结果H¹²²∈R^{4×256×14×14}；

SS3127.构建四阶张量H¹²³∈R^{4×256×14×14}并通过H¹²³＝H¹²²初始化，然后把H¹²³中的负值元素更新为0，其他元素保持不变；

SS3128.把H¹²³视为4个样本的高度和宽度均为14的256通道数据，把W³⁴²视为256个高度和宽度均为3的256通道卷积核，采用W³⁴²对H¹²³进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹²⁴∈R^{4×256×14×14}；

SS3129.分别以q³⁴²和p³⁴²为用于仿射变换的尺度参数和平移参数，对H¹²⁴进行批标准化操作，得到结果H¹²⁵∈R^{4×256×14×14}；

SS3130.构建四阶张量H¹²⁶∈R^{4×256×14×14}并通过H¹²⁶＝H¹²⁵初始化，然后把H¹²⁶中的负值元素更新为0，其他元素保持不变；

SS3131.把H¹²⁶视为4个样本的高度和宽度均为14的256通道数据，把W³⁴³视为1024个高度和宽度均为1的256通道卷积核，采用W³⁴³对H¹²⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的1024通道数据H¹²⁷∈R^{4×1024×14×14}；

SS3132.分别以q³⁴³和p³⁴³为用于仿射变换的尺度参数和平移参数，对H¹²⁷进行批标准化操作，得到结果H¹²⁸∈R^{4×1024×14×14}；

SS3133.对H¹²⁰和H¹²⁸进行逐元素相加操作，得到结果H¹²⁹∈R^{4×1024×14×14}；

SS3134.构建四阶张量H¹³⁰∈R^{4×1024×14×14}并通过H¹³⁰＝H¹²⁹初始化，然后把H¹³⁰中的负值元素更新为0，其他元素保持不变；

SS3135.把H¹³⁰视为4个样本的高度和宽度均为14的1024通道数据，把W³⁵¹视为256个高度和宽度均为1的1024通道卷积核，采用W³⁵¹对H¹³⁰进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹³¹∈R^{4×256×14×14}；

SS3136.分别以q³⁵¹和p³⁵¹为用于仿射变换的尺度参数和平移参数，对H¹³¹进行批标准化操作，得到结果H¹³²∈R^{4×256×14×14}；

SS3137.构建四阶张量H¹³³∈R^{4×256×14×14}并通过H¹³³＝H¹³²初始化，然后把H¹³³中的负值元素更新为0，其他元素保持不变；

SS3138.把H¹³³视为4个样本的高度和宽度均为14的256通道数据，把W³⁵²视为256个高度和宽度均为3的256通道卷积核，采用W³⁵²对H¹³³进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹³⁴∈R^{4×256×14×14}；

SS3139.分别以q³⁵²和p³⁵²为用于仿射变换的尺度参数和平移参数，对H¹³⁴进行批标准化操作，得到结果H¹³⁵∈R^{4×256×14×14}；

SS3140.构建四阶张量H¹³⁶∈R^{4×256×14×14}并通过H¹³⁶＝H¹³⁵初始化，然后把H¹³⁶中的负值元素更新为0，其他元素保持不变；

SS3141.把H¹³⁶视为4个样本的高度和宽度均为14的256通道数据，把W³⁵³视为1024个高度和宽度均为1的256通道数据，采用W³⁵³对H¹³⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的1024通道数据H¹³⁷∈R^{4×1024×14×14}；

SS3142.分别以q³⁵³和p³⁵³为用于仿射变换的尺度参数和平移参数，对H¹³⁷进行批标准化操作，得到结果H¹³⁸∈R^{4×1024×14×14}；

SS3143.对H¹³⁰和H¹³⁸进行逐元素相加操作，得到结果H¹³⁹∈R^{4×1024×14×14}；

SS3144.构建四阶张量H¹⁴⁰∈R^{4×1024×14×14}并通过H¹⁴⁰＝H¹³⁹初始化，然后把H¹⁴⁰中的负值元素更新为0，其他元素保持不变；

SS3145.把H¹⁴⁰视为4个样本的高度和宽度均为14的1024通道数据，把W⁴⁰¹视为512个高度和宽度均为1的1024通道卷积核，采用W⁴⁰¹对H¹⁴⁰进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的512通道数据H¹⁴¹∈R^{4×512×14×14}；

SS3146.分别以q⁴⁰¹和p⁴⁰¹为用于仿射变换的尺度参数和平移参数，对H¹⁴¹进行批标准化操作，得到结果H¹⁴²∈R^{4×512×14×14}；

SS3147.构建四阶张量H¹⁴³∈R^{4×512×14×14}并通过H¹⁴³＝H¹⁴²初始化，然后把H¹⁴³中的负值元素更新为0，其他元素保持不变；

SS3148.把H¹⁴³视为4个样本的高度和宽度均为14的512通道数据，把W⁴⁰²视为512个高度和宽度均为3的512通道卷积核，采用W⁴⁰²对H¹⁴³进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的512通道数据H¹⁴⁴∈R^{4×512×14×14}；

SS3149.分别以q⁴⁰²和p⁴⁰²为用于仿射变换的尺度参数和平移参数，对H¹⁴⁴进行批标准化操作，得到结果H¹⁴⁵∈R^{4×512×14×14}；

SS3150.构建四阶张量H¹⁴⁶∈R^{4×512×14×14}并通过H¹⁴⁶＝H¹⁴⁵初始化，然后把H¹⁴⁶中的负值元素更新为0，其他元素保持不变；

SS3151.把H¹⁴⁶视为4个样本的高度和宽度均为14的512通道数据，把W⁴⁰³视为2048个高度和宽度均为1的512通道卷积核，采用W⁴⁰³对H¹⁴⁶进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的2048通道数据H¹⁴⁷∈R^{4×2048×14×14}；

SS3152.分别以q⁴⁰³和p⁴⁰³为用于仿射变换的尺度参数和平移参数，对H¹⁴⁷进行批标准化操作，得到结果H¹⁴⁸∈R^{4×2048×14×14}；

SS3153.把H¹⁴⁰视为4个样本的高度和宽度均为14的1024通道数据，把W⁴⁰⁴视为2048个高度和宽度均为1的1024通道卷积核，采用W⁴⁰⁴对H¹⁴⁰进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的2048通道数据H¹⁴⁹∈R^{4×2048×14×14}；

SS3154.分别以q⁴⁰⁴和p⁴⁰⁴为用于仿射变换的尺度参数和平移参数，对H¹⁴⁹进行批标准化操作，得到结果H¹⁵⁰∈R^{4×2048×14×14}；

SS3155.对H¹⁴⁸和H¹⁵⁰进行逐元素相加操作，得到结果H¹⁵¹∈R^{4×2048×14×14}；

SS3156.构建四阶张量H¹⁵²∈R^{4×2048×14×14}并通过H¹⁵²＝H¹⁵¹初始化，然后把H¹⁵²中的负值元素更新为0，其他元素保持不变；

SS3157.把H¹⁵²视为4个样本的高度和宽度均为14的2048通道数据，把W⁴¹¹视为512个高度和宽度均为1的2048通道卷积核，采用W⁴¹¹对H¹⁵²进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的512通道数据H¹⁵³∈R^{4×512×14×14}；

SS3158.分别以q⁴¹¹和p⁴¹¹为用于仿射变换的尺度参数和平移参数，对H¹⁵³进行批标准化操作，得到结果H¹⁵⁴∈R^{4×512×14×14}；

SS3159.构建四阶张量H¹⁵⁵∈R^{4×512×14×14}并通过H¹⁵⁵＝H¹⁵⁴初始化，然后把H¹⁵⁵中的负值元素更新为0，其他元素保持不变；

SS3160.把H¹⁵⁵视为4个样本的高度和宽度均为14的512通道数据，把W⁴¹²视为512个高度和宽度均为3的512通道卷积核，采用W⁴¹²对H¹⁵⁵进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的512通道数据H¹⁵⁶∈R^{4×512×14×14}；

SS3161.分别以q⁴¹²和p⁴¹²为用于仿射变换的尺度参数和平移参数，对H¹⁵⁶进行批标准化操作，得到结果H¹⁵⁷∈R^{4×512×14×14}；

SS3162.构建四阶张量H¹⁵⁸∈R^{4×512×14×14}并通过H¹⁵⁸＝H¹⁵⁷初始化，然后把H¹⁵⁸中的负值元素更新为0，其他元素保持不变；

SS3163.把H¹⁵⁸视为4个样本的高度和宽度均为14的512通道数据，把W⁴¹³视为2048个高度和宽度均为1的512通道卷积核，采用W⁴¹³对H¹⁵⁸进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的2048通道数据H¹⁵⁹∈R^{4×2048×14×14}；

SS3164.分别以q⁴¹³和p⁴¹³为用于仿射变换的尺度参数和平移参数，对H¹⁵⁹进行批标准化操作，得到结果H¹⁶⁰∈R^{4×2048×14×14}；

SS3165.对H¹⁵²和H¹⁶⁰进行逐元素相加操作，得到结果H¹⁶¹∈R^{4×2048×14×14}；

SS3166.构建四阶张量H¹⁶²∈R^{4×2048×14×14}并通过H¹⁶²＝H¹⁶¹初始化，然后把H¹⁶²中的负值元素更新为0，其他元素保持不变；

SS3167.把H¹⁶²视为4个样本的高度和宽度均为14的2048通道数据，把W⁴²¹视为512个高度和宽度均为1的2048通道卷积核，采用W⁴²¹对H¹⁶²进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的512通道数据H¹⁶³∈R^{4×512×14×14}；

SS3168.分别以q⁴²¹和p⁴²¹为用于仿射变换的尺度参数和平移参数，对H¹⁶³进行批标准化操作，得到结果H¹⁶⁴∈R^{4×512×14×14}；

SS3169.构建四阶张量H¹⁶⁵∈R^{4×512×14×14}并通过H¹⁶⁵＝H¹⁶⁴初始化，然后把H¹⁶⁵中的负值元素更新为0，其他元素保持不变；

SS3170.把H¹⁶⁵视为4个样本的高度和宽度均为14的512通道数据，把W⁴²²视为512个高度和宽度均为3的512通道卷积核，采用W⁴²²对H¹⁶⁵进行步长为1、每边补零延拓边界数为1的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的512通道数据H¹⁶⁶∈R^{4×512×14×14}；

SS3171.分别以q⁴²²和p⁴²²为用于仿射变换的尺度参数和平移参数，对H¹⁶⁶进行批标准化操作，得到结果H¹⁶⁷∈R^{4×512×14×14}；

SS3172.构建四阶张量H¹⁶⁸∈R^{4×512×14×14}并通过H¹⁶⁸＝H¹⁶⁷初始化，然后把H¹⁶⁸中的负值元素更新为0，其他元素保持不变；

SS3173.把H¹⁶⁸视为4个样本的高度和宽度均为14的512通道数据，把W⁴²³视为2048个高度和宽度均为1的512通道卷积核，采用W⁴²³对H¹⁶⁸进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的2048通道数据H¹⁶⁹∈R^{4×2048×14×14}；

SS3174.分别以q⁴²³和p⁴²³为用于仿射变换的尺度参数和平移参数，对H¹⁶⁹进行批标准化操作，得到结果H¹⁷⁰∈R^{4×2048×14×14}；

SS3175.对H¹⁶²和H¹⁷⁰进行逐元素相加操作，得到结果H¹⁷¹∈R^{4×2048×14×14}；

SS3176.构建四阶张量H¹⁷²∈R^{4×2048×14×14}并通过H¹⁷²＝H¹⁷¹初始化，然后把H¹⁷²中的负值元素更新为0，其他元素保持不变；

SS3177.把H¹⁷²视为4个样本的高度和宽度均为14的2048通道数据，把W⁵视为256个高度和宽度均为1的2048通道卷积核，采用W⁵对H¹⁷²进行步长为1、没有补零延拓边界的逐样本多通道二维卷积运算，得到4个样本的高度和宽度均为14的256通道数据H¹⁷³∈R^{4×256×14×14}；

SS3178.分别以q⁵和p⁵为用于仿射变换的尺度参数和平移参数，对H¹⁷³进行批标准化操作，得到结果H¹⁷⁴∈R^{4×256×14×14}；

SS3179.构建四阶张量H¹⁷⁵∈R^{4×256×14×14}并通过H¹⁷⁵＝H¹⁷⁴初始化，然后把H¹⁷⁵中的负值元素更新为0，其他元素保持不变；

SS3180.对H¹⁷⁵进行沿着模式1方向即样本方向进行取消堆叠操作，依次得到4个三阶子张量F¹,F²,F³,F⁴∈R^256×14×14；

SS3181.分别对F¹,F²,F³,F⁴进行模式1展开(mode-1unfolding)操作，得到矩阵F⁵,F⁶,F⁷,F⁸∈R^256×196；

SS3182.构建数据矩阵F⁹∈R^256×256，并通过初始化，构建数据矩阵F¹⁰∈R^256×256，并通过初始化，构建数据矩阵F¹¹∈R^256×256，并通过初始化，构建数据矩阵F¹²∈R^256×256，并通过初始化，其中I196为196阶单位矩阵，1196为196阶全1矩阵，^T为转置运算；

SS3183.分别构建数据矩阵F¹³,F¹⁴,F¹⁵,F¹⁶∈R^256×256，并分别通过初始化，其中tr(·)为矩阵的求迹运算；

SS3184.构建数据矩阵F¹⁷∈R^256×256，并通过F¹⁷＝0.5(3I256-F¹³)初始化，构建数据矩阵F¹⁸∈R^256×256，并通过F¹⁸＝0.5(3I256-F¹⁴)初始化，构建数据矩阵F¹⁹∈R^256×256，并通过F¹⁹＝0.5(3I256-F¹⁵)初始化，构建数据矩阵F²⁰∈R^256×256，并通过F²⁰＝0.5(3I256-F¹⁶)初始化，其中I256为256阶单位矩阵；

SS3185.分别构建数据矩阵F²¹,F²²,F²³,F²⁴∈R^256×256，并分别通过F²¹＝F¹³F¹⁷,F²²＝F¹⁴F¹⁸,F²³＝F¹⁵F¹⁹,F²⁴＝F¹⁶F²⁰初始化；

SS3186.构建数据矩阵F²⁵∈R^256×256，并通过F²⁵＝F¹⁷初始化，构建数据矩阵F²⁶∈R^256×256，并通过F²⁶＝F¹⁸初始化，构建数据矩阵F²⁷∈R^256×256，并通过F²⁷＝F¹⁹初始化，构建数据矩阵F²⁸∈R^256×256，并通过F²⁸＝F²⁰初始化；

SS3187.用0.5(3I256-F²⁵F²¹)的计算结果更新F¹⁷，用0.5(3I256-F²⁶F²²)的计算结果更新F¹⁸，用0.5(3I256-F²⁷F²³)的计算结果更新F¹⁹，用0.5(3I256-F²⁸F²⁴)的计算结果更新F²⁰，其中I256为256阶单位矩阵；

SS3188.分别构建数据矩阵F²⁹,F³⁰,F³¹,F³²∈R^256×256，并分别通过F²⁹＝F²¹F¹⁷,F³⁰＝F²²F¹⁸,F³¹＝F²³F¹⁹,F³²＝F²⁴F²⁰初始化；

SS3189.分别构建数据矩阵F³³,F³⁴,F³⁵,F³⁶∈R^256×256，并分别通过F³³＝F¹⁷F²⁵,F³⁴＝F¹⁸F²⁶,F³⁵＝F¹⁹F²⁷,F³⁶＝F²⁰F²⁸初始化；

SS3190.用0.5(3I256-F³³F²⁹)的计算结果更新F¹⁷，用0.5(3I256-F³⁴F³⁰)的计算结果更新F¹⁸，用0.5(3I256-F³⁵F³¹)的计算结果更新F¹⁹，用0.5(3I256-F³⁶F³²)的计算结果更新F²⁰，其中I256为256阶单位矩阵；

SS3191.分别构建数据矩阵F³⁷,F³⁸,F³⁹,F⁴⁰∈R^256×256，并分别通过F³⁷＝F²⁹F¹⁷,F³⁸＝F³⁰F¹⁸,F³⁹＝F³¹F¹⁹,F⁴⁰＝F³²F²⁰初始化；

SS3192.分别构建数据矩阵F⁴¹,F⁴²,F⁴³,F⁴⁴∈R^256×256，并分别通过F⁴¹＝F¹⁷F³³,F⁴²＝F¹⁸F³⁴,F⁴³＝F¹⁹F³⁵,F⁴⁴＝F²⁰F³⁶初始化；

SS3193.用0.5(3I256-F³³F²⁹)的计算结果更新F¹⁷，用0.5(3I256-F³⁴F³⁰)的计算结果更新F¹⁸，用0.5(3I256-F³⁵F³¹)的计算结果更新F¹⁹，用0.5(3I256-F³⁶F³²)的计算结果更新F²⁰，其中I256为256阶单位矩阵；

SS3194.分别构建数据矩阵F⁴⁵,F⁴⁶,F⁴⁷,F⁴⁸∈R^256×256，并分别通过F⁴⁵＝F³⁷F¹⁷,F⁴⁶＝F³⁸F¹⁸,F⁴⁷＝F³⁹F¹⁹,F⁴⁸＝F⁴⁰F²⁰初始化；

SS3195.分别构建数据矩阵F⁴⁹,F⁵⁰,F⁵¹,F⁵²∈R^256×256，并分别通过F⁴⁹＝F¹⁷F⁴¹,F⁵⁰＝F¹⁸F⁴²,F⁵¹＝F¹⁹F⁴³,F⁵²＝F²⁰F⁴⁴初始化；

SS3196.用0.5F⁴⁵(3I256-F⁴⁹F⁴⁵)的计算结果更新F¹⁷，用0.5F⁴⁶(3I256-F⁵⁰F⁴⁶)的计算结果更新F¹⁸，用0.5F⁴⁷(3I256-F⁵¹F⁴⁷)的计算结果更新F¹⁹，用0.5F⁴⁸(3I256-F⁵²F⁴⁸)的计算结果更新F²⁰，其中I256为256阶单位矩阵；

SS3197.分别构建数据矩阵F⁵³,F⁵⁴,F⁵⁵,F⁵⁶∈R^256×256，并分别通过初始化，其中tr(·)为矩阵的求迹运算；

SS3198.按照从左到右、从上到下顺序把F⁵³中位于主对角线及其以上的32896个元素组装成一个32896维行向量f⁵⁷∈R^1×32896，按照从左到右、从上到下顺序把F⁵⁴中位于主对角线及其以上的32896个元素组装成一个32896维行向量f⁵⁸∈R^1×32896，按照从左到右、从上到下顺序把F⁵⁵中位于主对角线及其以上的32896个元素组装成一个32896维行向量f⁵⁹∈R^1×32896，按照从左到右、从上到下顺序把F⁵⁶中位于主对角线及其以上的32896个元素组装成一个32896维行向量f⁶⁰∈R^1×32896；

SS3199.构建4维行向量f⁶¹∈R^1×4，并通过f⁶¹＝f⁵⁷(W⁶)^T+(p⁶)^T初始化，构建4维行向量f⁶²∈R^1×4，并通过f⁶²＝f⁵⁸(W⁶)^T+(p⁶)^T初始化，构建4维行向量f⁶³∈R^1×4，并通过f⁶³＝f⁵⁹(W⁶)^T+(p⁶)^T初始化，构建4维行向量f⁶⁴∈R^1×4，并通过f⁶⁴＝f⁶⁰(W⁶)^T+(p⁶)^T初始化，其中^T为转置运算；

SS3200.定义损失函数

为关于W^β,q^u和p^v中各个元素自变量的多元复合函数，根据复合函数求偏导数的链式法则，分别计算关于各个元素自变量的在其当前值处的偏导数，再分别以各个偏导数的千分之一为减少量来对应地更新W^β,q^u和p^v中各个元素，其中上标β＝102,112,122,103,104,113,123,111,121,202,212,222,232,203,213,223,233,211,221,231,302,312,322,332,342,352,303,313,323,333,343,353,311,321,331,341,351,402,412,422,403,413,423,411,421,0,6,101,201,204,301,304,401,404,5，上标u＝0,101,102,111,112,121,122,201,202,211,212,221,222,231,232,103,104,113,123,301,302,311,312,321,322,331,332,341,342,351,352,203,204,213,223,233,401,402,411,412,421,422,303,304,313,323,333,343,353,403,404,5,413,423，上标v＝0,101,102,111,112,121,122,201,202,211,212,221,222,231,232,103,104,113,123,301,302,311,312,321,322,331,332,341,342,351,352,401,402,203,204,213,223,233,411,412,421,422,303,304,313,323,333,343,353,403,404,413,423,5,6，ln(·)为自然对数函数，e为自然常数，f1⁶¹,f2⁶¹,f3⁶¹和f4⁶¹分别为f⁶¹的第1,2,3和4个元素，f1⁶²,f2⁶²,f3⁶²和f4⁶²分别为f⁶²的第1,2,3和4个元素，f1⁶³,f2⁶³,f3⁶³和f4⁶³分别为f⁶³的第1,2,3和4个元素，f1⁶⁴,f2⁶⁴,f3⁶⁴和f4⁶⁴分别为f⁶⁴的第1,2,3和4个元素；

SS3201.批次序号k自增1，也就是采用(k+1)的值更新k；

SS3202.如果满足k＜(m+1)，那么执行步骤SS3004–SS3202；否则，执行步骤SS3203；

SS3203.迭代序号α自增1，也就是采用(α+1)的值更新α；

SS3204.如果满足α＜100，那么执行步骤SS3003–SS3204；否则，执行步骤SS3205；

SS3205.完成训练学习，输出W^β,q^u和p^v，其中上标β,u和v的含义如步骤SS3200所述。

作为优选，前述的分类运算步骤中把X传送到新型卷积神经网络中进行前向传播运算包括以下步骤：

SS6001.把X视为高度和宽度均为224的3通道数据，把W⁰视为64个高度和宽度均为7的3通道卷积核，采用W⁰对X进行步长为2、每边补零延拓边界数为3的多通道二维卷积运算，得到高度和宽度均为112的单样本64通道数据G¹∈R^64×112×112；

SS6002.分别以q⁰和p⁰为用于仿射变换的尺度参数和平移参数，对G¹进行批标准化操作，得到结果G²∈R^64×112×112；

SS6003.构建三阶张量G³∈R^64×112×112并通过G³＝G²初始化，然后把G³中的负值元素更新为0，其他元素保持不变；

SS6004.把G³视为高度和宽度均为112的64通道数据，对G³进行窗口高度和宽度均为3、步长为2、每边补零延拓边界数为1的逐通道二维最大池化操作，得到结果G⁴∈R^64×56×56；

SS6005.把G⁴视为高度和宽度均为56的64通道数据，把W¹⁰¹视为64个高度和宽度均为1的64通道卷积核，采用W¹⁰¹对G⁴进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为56的单样本64通道数据G⁵∈R^64×56×56；

SS6006.分别以q¹⁰¹和p¹⁰¹为用于仿射变换的尺度参数和平移参数，对G⁵进行批标准化操作，得到结果G⁶∈R^64×56×56；

SS6007.构建三阶张量G⁷∈R^64×56×56并通过G⁷＝G⁶初始化，然后把G⁷中的负值元素更新为0，其他元素保持不变；

SS6008.把G⁷视为高度和宽度均为56的64通道数据，把W¹⁰²视为64个高度和宽度均为3的64通道卷积核，采用W¹⁰²对G⁷进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为56的单样本64通道数据G⁸∈R^64×56×56；

SS6009.分别以q¹⁰²和p¹⁰²为用于仿射变换的尺度参数和平移参数，对G⁸进行批标准化操作，得到结果G⁹∈R^64×56×56；

SS6010.构建三阶张量G¹⁰∈R^64×56×56并通过G¹⁰＝G⁹初始化，然后把G¹⁰中的负值元素更新为0，其他元素保持不变；

SS6011.把G¹⁰视为高度和宽度均为56的64通道数据，把W¹⁰³视为256个高度和宽度均为1的64通道卷积核，采用W¹⁰³对G¹⁰进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为56的单样本256通道数据G¹¹∈R^256×56×56；

SS6012.分别以q¹⁰³和p¹⁰³为用于仿射变换的尺度参数和平移参数，对G¹¹进行批标准化操作，得到结果G¹²∈R^256×56×56；

SS6013.把G⁴视为高度和宽度均为56的64通道数据，把W¹⁰⁴视为256个高度和宽度均为1的64通道卷积核，采用W¹⁰⁴对G⁴进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为56的单样本256通道数据G¹³∈R^256×56×56；

SS6014.分别以q¹⁰⁴和p¹⁰⁴为用于仿射变换的尺度参数和平移参数，对G¹³进行批标准化操作，得到结果G¹⁴∈R^256×56×56；

SS6015.对G¹²和G¹⁴进行逐元素相加操作，得到结果G¹⁵∈R^256×56×56；

SS6016.构建三阶张量G¹⁶∈R^256×56×56并通过G¹⁶＝G¹⁵初始化，然后把G¹⁶中的负值元素更新为0，其他元素保持不变；

SS6017.把G¹⁶视为高度和宽度均为56的256通道数据，把W¹¹¹视为64个高度和宽度均为1的256通道卷积核，采用W¹¹¹对G¹⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为56的单样本64通道数据G¹⁷∈R^64×56×56；

SS6018.分别以q¹¹¹和p¹¹¹为用于仿射变换的尺度参数和平移参数，对G¹⁷进行批标准化操作，得到结果G¹⁸∈R^64×56×56；

SS6019.构建三阶张量G¹⁹∈R^64×56×56并通过G¹⁹＝G¹⁸初始化，然后把G¹⁹中的负值元素更新为0，其他元素保持不变；

SS6020.把G¹⁹视为高度和宽度均为56的64通道数据，把W¹¹²视为64个高度和宽度均为3的64通道卷积核，采用W¹¹²对G¹⁹进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为56的单样本64通道数据G²⁰∈R^64×56×56；

SS6021.分别以q¹¹²和p¹¹²为用于仿射变换的尺度参数和平移参数，对G²⁰进行批标准化操作，得到结果G²¹∈R^64×56×56；

SS6022.构建三阶张量G²²∈R^64×56×56并通过G²²＝G²¹初始化，然后把G²²中的负值元素更新为0，其他元素保持不变；

SS6023.把G²²视为高度和宽度均为56的64通道数据，把W¹¹³视为256个高度和宽度均为1的64通道卷积核，采用W¹¹³对G²²进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为56的单样本256通道数据G²³∈R^256×56×56；

SS6024.分别以q¹¹³和p¹¹³为用于仿射变换的尺度参数和平移参数，对G²³进行批标准化操作，得到结果G²⁴∈R^256×56×56；

SS6025.对G¹⁶和G²⁴进行逐元素相加操作，得到结果G²⁵∈R^256×56×56；

SS6026.构建三阶张量G²⁶∈R^256×56×56并通过G²⁶＝G²⁵初始化，然后把G²⁶中的负值元素更新为0，其他元素保持不变；

SS6027.把G²⁶视为高度和宽度均为56的256通道数据，把W¹²¹视为64个高度和宽度均为1的256通道卷积核，采用W¹²¹对G²⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为56的单样本64通道数据G²⁷∈R^64×56×56；

SS6028.分别以q¹²¹和p¹²¹为用于仿射变换的尺度参数和平移参数，对G²⁷进行批标准化操作，得到结果G²⁸∈R^64×56×56；

SS6029.构建三阶张量G²⁹∈R^64×56×56并通过G²⁹＝G²⁸初始化，然后把G²⁹中的负值元素更新为0，其他元素保持不变；

SS6030.把G²⁹视为高度和宽度均为56的64通道数据，把W¹²²视为64个高度和宽度均为3的64通道卷积核，采用W¹²²对G²⁹进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为56的单样本64通道数据G³⁰∈R^64×56×56；

SS6031.分别以q¹²²和p¹²²为用于仿射变换的尺度参数和平移参数，对G³⁰进行批标准化操作，得到结果G³¹∈R^64×56×56；

SS6032.构建三阶张量G³²∈R^64×56×56并通过G³²＝G³¹初始化，然后把G³²中的负值元素更新为0，其他元素保持不变；

SS6033.把G³²视为高度和宽度均为56的64通道数据，把W¹²³视为256个高度和宽度均为1的64通道卷积核，采用W¹²³对G³²进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为56的单样本256通道数据G³³∈R^256×56×56；

SS6034.分别以q¹²³和p¹²³为用于仿射变换的尺度参数和平移参数，对G³³进行批标准化操作，得到结果G³⁴∈R^256×56×56；

SS6035.对G²⁶和G³⁴进行逐元素相加操作，得到结果G³⁵∈R^256×56×56；

SS6036.构建三阶张量G³⁶∈R^256×56×56并通过G³⁶＝G³⁵初始化，然后把G³⁶中的负值元素更新为0，其他元素保持不变；

SS6037.把G³⁶视为高度和宽度均为56的256通道数据，把W²⁰¹视为128个高度和宽度均为1的256通道卷积核，采用W²⁰¹对G³⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为56的单样本128通道数据G³⁷∈R^128×56×56；

SS6038.分别以q²⁰¹和p²⁰¹为用于仿射变换的尺度参数和平移参数，对G³⁷进行批标准化操作，得到结果G³⁸∈R^128×56×56；

SS6039.构建三阶张量G³⁹∈R^128×56×56并通过G³⁹＝G³⁸初始化，然后把G³⁹中的负值元素更新为0，其他元素保持不变；

SS6040.把G³⁹视为高度和宽度均为56的128通道数据，把W²⁰²视为128个高度和宽度均为3的128通道卷积核，采用W²⁰²对G³⁹进行步长为2、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为28的单样本128通道数据G⁴⁰∈R^128×28×28；

SS6041.分别以q²⁰²和p²⁰²为用于仿射变换的尺度参数和平移参数，对G⁴⁰进行批标准化操作，得到结果G⁴¹∈R^128×28×28；

SS6042.构建三阶张量G⁴²∈R^128×28×28并通过G⁴²＝G⁴¹初始化，然后把G⁴²中的负值元素更新为0，其他元素保持不变；

SS6043.把G⁴²视为高度和宽度均为28的128通道数据，把W²⁰³视为512个高度和宽度均为1的128通道卷积核，采用W²⁰³对G⁴²进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本512通道数据G⁴³∈R^512×28×28；

SS6044.分别以q²⁰³和p²⁰³为用于仿射变换的尺度参数和平移参数，对G⁴³进行批标准化操作，得到结果G⁴⁴∈R^512×28×28；

SS6045.把G³⁶视为高度和宽度均为56的256通道数据，把W²⁰⁴视为512个高度和宽度均为1的256通道卷积核，采用W²⁰⁴对G³⁶进行步长为2、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本512通道数据G⁴⁵∈R^512×28×28；

SS6046.分别以q²⁰⁴和p²⁰⁴为用于仿射变换的尺度参数和平移参数，对G⁴⁵进行批标准化操作，得到结果G⁴⁶∈R^512×28×28；

SS6047.对G⁴⁴和G⁴⁶进行逐元素相加操作，得到结果G⁴⁷∈R^512×28×28；

SS6048.构建三阶张量G⁴⁸∈R^512×28×28并通过G⁴⁸＝G⁴⁷初始化，然后把G⁴⁸中的负值元素更新为0，其他元素保持不变；

SS6049.把G⁴⁸视为高度和宽度均为28的512通道数据，把W²¹¹视为128个高度和宽度均为1的512通道卷积核，采用W²¹¹对G⁴⁸进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本128通道数据G⁴⁹∈R^128×28×28；

SS6050.分别以q²¹¹和p²¹¹为用于仿射变换的尺度参数和平移参数，对G⁴⁹进行批标准化操作，得到结果G⁵⁰∈R^128×28×28；

SS6051.构建三阶张量G⁵¹∈R^128×28×28并通过G⁵¹＝G⁵⁰初始化，然后把G⁵¹中的负值元素更新为0，其他元素保持不变；

SS6052.把G⁵¹视为高度和宽度均为28的128通道数据，把W²¹²视为128个高度和宽度均为3的128通道卷积核，采用W²¹²对G⁵¹进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为28的单样本128通道数据G⁵²∈R^128×28×28；

SS6053.分别以q²¹²和p²¹²为用于仿射变换的尺度参数和平移参数，对G⁵²进行批标准化操作，得到结果G⁵³∈R^128×28×28；

SS6054.构建三阶张量G⁵⁴∈R^128×28×28并通过G⁵⁴＝G⁵³初始化，然后把G⁵⁴中的负值元素更新为0，其他元素保持不变；

SS6055.把G⁵⁴视为高度和宽度均为28的128通道数据，把W²¹³视为512个高度和宽度均为1的128通道卷积核，采用W²¹³对G⁵⁴进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本512通道数据G⁵⁵∈R^512×28×28；

SS6056.分别以q²¹³和p²¹³为用于仿射变换的尺度参数和平移参数，对G⁵⁵进行批标准化操作，得到结果G⁵⁶∈R^512×28×28；

SS6057.对G⁴⁸和G⁵⁶进行逐元素相加操作，得到结果G⁵⁷∈R^512×28×28；

SS6058.构建三阶张量G⁵⁸∈R^512×28×28并通过G⁵⁸＝G⁵⁷初始化，然后把G⁵⁸中的负值元素更新为0，其他元素保持不变；

SS6059.把G⁵⁸视为高度和宽度均为28的512通道数据，把W²²¹视为128个高度和宽度均为1的512通道卷积核，采用W²²¹对G⁵⁸进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本128通道数据G⁵⁹∈R^128×28×28；

SS6060.分别以q²²¹和p²²¹为用于仿射变换的尺度参数和平移参数，对G⁵⁹进行批标准化操作，得到结果G⁶⁰∈R^128×28×28；

SS6061.构建三阶张量G⁶¹∈R^128×28×28并通过G⁶¹＝G⁶⁰初始化，然后把G⁶¹中的负值元素更新为0，其他元素保持不变；

SS6062.把G⁶¹视为高度和宽度均为28的128通道数据，把W²²²视为128个高度和宽度均为3的128通道卷积核，采用W²²²对G⁶¹进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为28的单样本128通道数据G⁶²∈R^128×28×28；

SS6063.分别以q²²²和p²²²为用于仿射变换的尺度参数和平移参数，对G⁶²进行批标准化操作，得到结果G⁶³∈R^128×28×28；

SS6064.构建三阶张量G⁶⁴∈R^128×28×28并通过G⁶⁴＝G⁶³初始化，然后把G⁶⁴中的负值元素更新为0，其他元素保持不变；

SS6065.把G⁶⁴视为高度和宽度均为28的128通道数据，把W²²³视为512个高度和宽度均为1的128通道卷积核，采用W²²³对G⁶⁴进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本512通道数据G⁶⁵∈R^512×28×28；

SS6066.分别以q²²³和p²²³为用于仿射变换的尺度参数和平移参数，对G⁶⁵进行批标准化操作，得到结果G⁶⁶∈R^512×28×28；

SS6067.对G⁵⁸和G⁶⁶进行逐元素相加操作，得到结果G⁶⁷∈R^512×28×28；

SS6068.构建三阶张量G⁶⁸∈R^512×28×28并通过G⁶⁸＝G⁶⁷初始化，然后把G⁶⁸中的负值元素更新为0，其他元素保持不变；

SS6069.把G⁶⁸视为高度和宽度均为28的512通道数据，把W²³¹视为128个高度和宽度均为1的512通道卷积核，采用W²³¹对G⁶⁸进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本128通道数据G⁶⁹∈R^128×28×28；

SS6070.分别以q²³¹和p²³¹为用于仿射变换的尺度参数和平移参数，对G⁶⁹进行批标准化操作，得到结果G⁷⁰∈R^128×28×28；

SS6071.构建三阶张量G⁷¹∈R^128×28×28并通过G⁷¹＝G⁷⁰初始化，然后把G⁷¹中的负值元素更新为0，其他元素保持不变；

SS6072.把G⁷¹视为高度和宽度均为28的128通道数据，把W²³²视为128个高度和宽度均为3的128通道卷积核，采用W²³²对G⁷¹进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为28的单样本128通道数据G⁷²∈R^128×28×28；

SS6073.分别以q²³²和p²³²为用于仿射变换的尺度参数和平移参数，对G⁷²进行批标准化操作，得到结果G⁷³∈R^128×28×28；

SS6074.构建三阶张量G⁷⁴∈R^128×28×28并通过G⁷⁴＝G⁷³初始化，然后把G⁷⁴中的负值元素更新为0，其他元素保持不变；

SS6075.把G⁷⁴视为高度和宽度均为28的128通道数据，把W²³³视为512个高度和宽度均为1的128通道卷积核，采用W²³³对G⁷⁴进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本512通道数据G⁷⁵∈R^512×28×28；

SS6076.分别以q²³³和p²³³为用于仿射变换的尺度参数和平移参数，对G⁷⁵进行批标准化操作，得到结果G⁷⁶∈R^512×28×28；

SS6077.对G⁶⁸和G⁷⁶进行逐元素相加操作，得到结果G⁷⁷∈R^512×28×28；

SS6078.构建三阶张量G⁷⁸∈R^512×28×28并通过G⁷⁸＝G⁷⁷初始化，然后把G⁷⁸中的负值元素更新为0，其他元素保持不变；

SS6079.把G⁷⁸视为高度和宽度均为28的512通道数据，把W³⁰¹视为256个高度和宽度均为1的512通道卷积核，采用W³⁰¹对G⁷⁸进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为28的单样本256通道数据G⁷⁹∈R^256×28×28；

SS6080.分别以q³⁰¹和p³⁰¹为用于仿射变换的尺度参数和平移参数，对G⁷⁹进行批标准化操作，得到结果G⁸⁰∈R^256×28×28；

SS6081.构建三阶张量G⁸¹∈R^256×28×28并通过G⁸¹＝G⁸⁰初始化，然后把G⁸¹中的负值元素更新为0，其他元素保持不变；

SS6082.把G⁸¹视为高度和宽度均为28的256通道数据，把W³⁰²视为256个高度和宽度均为3的256通道卷积核，采用W³⁰²对G⁸¹进行步长为2、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G⁸²∈R^256×14×14；

SS6083.分别以q³⁰²和p³⁰²为用于仿射变换的尺度参数和平移参数，对G⁸²进行批标准化操作，得到结果G⁸³∈R^256×14×14；

SS6084.构建三阶张量G⁸⁴∈R^256×14×14并通过G⁸⁴＝G⁸³初始化，然后把G⁸⁴中的负值元素更新为0，其他元素保持不变；

SS6085.把G⁸⁴视为高度和宽度均为14的256通道数据，把W³⁰³视为1024个高度和宽度均为1的256通道卷积核，采用W³⁰³对G⁸⁴进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本1024通道数据G⁸⁵∈R^1024×14×14；

SS6086.分别以q³⁰³和p³⁰³为用于仿射变换的尺度参数和平移参数，对G⁸⁵进行批标准化操作，得到结果G⁸⁶∈R^1024×14×14；

SS6087.把G⁷⁸视为高度和宽度均为28的512通道数据，把W³⁰⁴视为1024个高度和宽度均为1的512通道卷积核，采用W³⁰⁴对G⁷⁸进行步长为2、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本1024通道数据G⁸⁷∈R^1024×14×14；

SS6088.分别以q³⁰⁴和p³⁰⁴为用于仿射变换的尺度参数和平移参数，对G⁸⁷进行批标准化操作，得到结果G⁸⁸∈R^1024×14×14；

SS6089.对G⁸⁶和G⁸⁸进行逐元素相加操作，得到结果G⁸⁹∈R^1024×14×14；

SS6090.构建三阶张量G⁹⁰∈R^1024×14×14并通过G⁹⁰＝G⁸⁹初始化，然后把G⁹⁰中的负值元素更新为0，其他元素保持不变；

SS6091.把G⁹⁰视为高度和宽度均为14的1024通道数据，把W³¹¹视为256个高度和宽度均为1的1024通道卷积核，采用W³¹¹对G⁹⁰进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G⁹¹∈R^256×14×14；

SS6092.分别以q³¹¹和p³¹¹为用于仿射变换的尺度参数和平移参数，对G⁹¹进行批标准化操作，得到结果G⁹²∈R^256×14×14；

SS6093.构建三阶张量G⁹³∈R^256×14×14并通过G⁹³＝G⁹²初始化，然后把G⁹³中的负值元素更新为0，其他元素保持不变；

SS6094.把G⁹³视为高度和宽度均为14的256通道数据，把W³¹²视为256个高度和宽度均为3的256通道卷积核，采用W³¹²对G⁹³进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G⁹⁴∈R^256×14×14；

SS6095.分别以q³¹²和p³¹²为用于仿射变换的尺度参数和平移参数，对G⁹⁴进行批标准化操作，得到结果G⁹⁵∈R^256×14×14；

SS6096.构建三阶张量G⁹⁶∈R^256×14×14并通过G⁹⁶＝G⁹⁵初始化，然后把G⁹⁶中的负值元素更新为0，其他元素保持不变；

SS6097.把G⁹⁶视为高度和宽度均为14的256通道数据，把W³¹³视为1024个高度和宽度均为1的256通道卷积核，采用W³¹³对G⁹⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本1024通道数据G⁹⁷∈R^1024×14×14；

SS6098.分别以q³¹³和p³¹³为用于仿射变换的尺度参数和平移参数，对G⁹⁷进行批标准化操作，得到结果G⁹⁸∈R^1024×14×14；

SS6099.对G⁹⁰和G⁹⁸进行逐元素相加操作，得到结果G⁹⁹∈R^1024×14×14；

SS6100.构建三阶张量G¹⁰⁰∈R^1024×14×14并通过G¹⁰⁰＝G⁹⁹初始化，然后把G¹⁰⁰中的负值元素更新为0，其他元素保持不变；

SS6101.把G¹⁰⁰视为高度和宽度均为14的1024通道数据，把W³²¹视为256个高度和宽度均为1的1024通道卷积核，采用W³²¹对G¹⁰⁰进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹⁰¹∈R^256×14×14；

SS6102.分别以q³²¹和p³²¹为用于仿射变换的尺度参数和平移参数，对G¹⁰¹进行批标准化操作，得到结果G¹⁰²∈R^256×14×14；

SS6103.构建三阶张量G¹⁰³∈R^256×14×14并通过G¹⁰³＝G¹⁰²初始化，然后把G¹⁰³中的负值元素更新为0，其他元素保持不变；

SS6104.把G¹⁰³视为高度和宽度均为14的256通道数据，把W³²²视为256个高度和宽度均为3的256通道卷积核，采用W³²²对G¹⁰³进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹⁰⁴∈R^256×14×14；

SS6105.分别以q³²²和p³²²为用于仿射变换的尺度参数和平移参数，对G¹⁰⁴进行批标准化操作，得到结果G¹⁰⁵∈R^256×14×14；

SS6106.构建三阶张量G¹⁰⁶∈R^256×14×14并通过G¹⁰⁶＝G¹⁰⁵初始化，然后把G¹⁰⁶中的负值元素更新为0，其他元素保持不变；

SS6107.把G¹⁰⁶视为高度和宽度均为14的256通道数据，把W³²³视为1024个高度和宽度均为1的256通道卷积核，采用W³²³对G¹⁰⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本1024通道数据G¹⁰⁷∈R^1024×14×14；

SS6108.分别以q³²³和p³²³为用于仿射变换的尺度参数和平移参数，对G¹⁰⁷进行批标准化操作，得到结果G¹⁰⁸∈R^1024×14×14；

SS6109.对G¹⁰⁰和G¹⁰⁸进行逐元素相加操作，得到结果G¹⁰⁹∈R^1024×14×14；

SS6110.构建三阶张量G¹¹⁰∈R^1024×14×14并通过G¹¹⁰＝G¹⁰⁹初始化，然后把G¹¹⁰中的负值元素更新为0，其他元素保持不变；

SS6111.把G¹¹⁰视为高度和宽度均为14的1024通道数据，把W³³¹视为256个高度和宽度均为1的1024通道卷积核，采用W³³¹对G¹¹⁰进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹¹¹∈R^256×14×14；

SS6112.分别以q³³¹和p³³¹为用于仿射变换的尺度参数和平移参数，对G¹¹¹进行批标准化操作，得到结果G¹¹²∈R^256×14×14；

SS6113.构建三阶张量G¹¹³∈R^256×14×14并通过G¹¹³＝G¹¹²初始化，然后把G¹¹³中的负值元素更新为0，其他元素保持不变；

SS6114.把G¹¹³视为高度和宽度均为14的256通道数据，把W³³²视为256个高度和宽度均为3的256通道卷积核，采用W³³²对G¹¹³进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹¹⁴∈R^256×14×14；

SS6115.分别以q³³²和p³³²为用于仿射变换的尺度参数和平移参数，对G¹¹⁴进行批标准化操作，得到结果G¹¹⁵∈R^256×14×14；

SS6116.构建三阶张量G¹¹⁶∈R^256×14×14并通过G¹¹⁶＝G¹¹⁵初始化，然后把G¹¹⁶中的负值元素更新为0，其他元素保持不变；

SS6117.把G¹¹⁶视为高度和宽度均为14的256通道数据，把W³³³视为1024个高度和宽度均为1的256通道卷积核，采用W³³³对G¹¹⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本1024通道数据G¹¹⁷∈R^1024×14×14；

SS6118.分别以q³³³和p³³³为用于仿射变换的尺度参数和平移参数，对G¹¹⁷进行批标准化操作，得到结果G¹¹⁸∈R^1024×14×14；

SS6119.对G¹¹⁰和G¹¹⁸进行逐元素相加操作，得到结果G¹¹⁹∈R^1024×14×14；

SS6120.构建三阶张量G¹²⁰∈R^1024×14×14并通过G¹²⁰＝G¹¹⁹初始化，然后把G¹²⁰中的负值元素更新为0，其他元素保持不变；

SS6121.把G¹²⁰视为高度和宽度均为14的1024通道数据，把W³⁴¹视为256个高度和宽度均为1的1024通道卷积核，采用W³⁴¹对G¹²⁰进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹²¹∈R^256×14×14；

SS6122.分别以q³⁴¹和p³⁴¹为用于仿射变换的尺度参数和平移参数，对G¹²¹进行批标准化操作，得到结果G¹²²∈R^256×14×14；

SS6123.构建三阶张量G¹²³∈R^256×14×14并通过G¹²³＝G¹²²初始化，然后把G¹²³中的负值元素更新为0，其他元素保持不变；

SS6124.把G¹²³视为高度和宽度均为14的256通道数据，把W³⁴²视为256个高度和宽度均为3的256通道卷积核，采用W³⁴²对G¹²³进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹²⁴∈R^256×14×14；

SS6125.分别以q³⁴²和p³⁴²为用于仿射变换的尺度参数和平移参数，对G¹²⁴进行批标准化操作，得到结果G¹²⁵∈R^256×14×14；

SS6126.构建三阶张量G¹²⁶∈R^256×14×14并通过G¹²⁶＝G¹²⁵初始化，然后把G¹²⁶中的负值元素更新为0，其他元素保持不变；

SS6127.把G¹²⁶视为高度和宽度均为14的256通道数据，把W³⁴³视为1024个高度和宽度均为1的256通道卷积核，采用W³⁴³对G¹²⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本1024通道数据G¹²⁷∈R^1024×14×14；

SS6128.分别以q³⁴³和p³⁴³为用于仿射变换的尺度参数和平移参数，对G¹²⁷进行批标准化操作，得到结果G¹²⁸∈R^1024×14×14；

SS6129.对G¹²⁰和G¹²⁸进行逐元素相加操作，得到结果G¹²⁹∈R^1024×14×14；

SS6130.构建三阶张量G¹³⁰∈R^1024×14×14并通过G¹³⁰＝G¹²⁹初始化，然后把G¹³⁰中的负值元素更新为0，其他元素保持不变；

SS6131.把G¹³⁰视为高度和宽度均为14的1024通道数据，把W³⁵¹视为256个高度和宽度均为1的1024通道卷积核，采用W³⁵¹对G¹³⁰进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹³¹∈R^256×14×14；

SS6132.分别以q³⁵¹和p³⁵¹为用于仿射变换的尺度参数和平移参数，对G¹³¹进行批标准化操作，得到结果G¹³²∈R^256×14×14；

SS6133.构建三阶张量G¹³³∈R^256×14×14并通过G¹³³＝G¹³²初始化，然后把G¹³³中的负值元素更新为0，其他元素保持不变；

SS6134.把G¹³³视为高度和宽度均为14的256通道数据，把W³⁵²视为256个高度和宽度均为3的256通道卷积核，采用W³⁵²对G¹³³进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹³⁴∈R^256×14×14；

SS6135.分别以q³⁵²和p³⁵²为用于仿射变换的尺度参数和平移参数，对G¹³⁴进行批标准化操作，得到结果G¹³⁵∈R^256×14×14；

SS6136.构建三阶张量G¹³⁶∈R^256×14×14并通过G¹³⁶＝G¹³⁵初始化，然后把G¹³⁶中的负值元素更新为0，其他元素保持不变；

SS6137.把G¹³⁶视为高度和宽度均为14的256通道数据，把W³⁵³视为1024个高度和宽度均为1的256通道数据，采用W³⁵³对G¹³⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本1024通道数据G¹³⁷∈R^1024×14×14；

SS6138.分别以q³⁵³和p³⁵³为用于仿射变换的尺度参数和平移参数，对G¹³⁷进行批标准化操作，得到结果G¹³⁸∈R^1024×14×14；

SS6139.对G¹³⁰和G¹³⁸进行逐元素相加操作，得到结果G¹³⁹∈R^1024×14×14；

SS6140.构建三阶张量G¹⁴⁰∈R^1024×14×14并通过G¹⁴⁰＝G¹³⁹初始化，然后把G¹⁴⁰中的负值元素更新为0，其他元素保持不变；

SS6141.把G¹⁴⁰视为高度和宽度均为14的1024通道数据，把W⁴⁰¹视为512个高度和宽度均为1的1024通道卷积核，采用W⁴⁰¹对G¹⁴⁰进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本512通道数据G¹⁴¹∈R^512×14×14；

SS6142.分别以q⁴⁰¹和p⁴⁰¹为用于仿射变换的尺度参数和平移参数，对G¹⁴¹进行批标准化操作，得到结果G¹⁴²∈R^512×14×14；

SS6143.构建三阶张量G¹⁴³∈R^512×14×14并通过G¹⁴³＝G¹⁴²初始化，然后把G¹⁴³中的负值元素更新为0，其他元素保持不变；

SS6144.把G¹⁴³视为高度和宽度均为14的512通道数据，把W⁴⁰²视为512个高度和宽度均为3的512通道卷积核，采用W⁴⁰²对G¹⁴³进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本512通道数据G¹⁴⁴∈R^512×14×14；

SS6145.分别以q⁴⁰²和p⁴⁰²为用于仿射变换的尺度参数和平移参数，对G¹⁴⁴进行批标准化操作，得到结果G¹⁴⁵∈R^512×14×14；

SS6146.构建三阶张量G¹⁴⁶∈R^512×14×14并通过G¹⁴⁶＝G¹⁴⁵初始化，然后把G¹⁴⁶中的负值元素更新为0，其他元素保持不变；

SS6147.把G¹⁴⁶视为高度和宽度均为14的512通道数据，把W⁴⁰³视为2048个高度和宽度均为1的512通道卷积核，采用W⁴⁰³对G¹⁴⁶进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本2048通道数据G¹⁴⁷∈R^2048×14×14；

SS6148.分别以q⁴⁰³和p⁴⁰³为用于仿射变换的尺度参数和平移参数，对G¹⁴⁷进行批标准化操作，得到结果G¹⁴⁸∈R^2048×14×14；

SS6149.把G¹⁴⁰视为高度和宽度均为14的1024通道数据，把W⁴⁰⁴视为2048个高度和宽度均为1的1024通道卷积核，采用W⁴⁰⁴对G¹⁴⁰进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本2048通道数据G¹⁴⁹∈R^2048×14×14；

SS6150.分别以q⁴⁰⁴和p⁴⁰⁴为用于仿射变换的尺度参数和平移参数，对G¹⁴⁹进行批标准化操作，得到结果G¹⁵⁰∈R^2048×14×14；

SS6151.对G¹⁴⁸和G¹⁵⁰进行逐元素相加操作，得到结果G¹⁵¹∈R^2048×14×14；

SS6152.构建三阶张量G¹⁵²∈R^2048×14×14并通过G¹⁵²＝G¹⁵¹初始化，然后把G¹⁵²中的负值元素更新为0，其他元素保持不变；

SS6153.把G¹⁵²视为高度和宽度均为14的2048通道数据，把W⁴¹¹视为512个高度和宽度均为1的2048通道卷积核，采用W⁴¹¹对G¹⁵²进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本512通道数据G¹⁵³∈R^512×14×14；

SS6154.分别以q⁴¹¹和p⁴¹¹为用于仿射变换的尺度参数和平移参数，对G¹⁵³进行批标准化操作，得到结果G¹⁵⁴∈R^512×14×14；

SS6155.构建三阶张量G¹⁵⁵∈R^512×14×14并通过G¹⁵⁵＝G¹⁵⁴初始化，然后把G¹⁵⁵中的负值元素更新为0，其他元素保持不变；

SS6156.把G¹⁵⁵视为高度和宽度均为14的512通道数据，把W⁴¹²视为512个高度和宽度均为3的512通道卷积核，采用W⁴¹²对G¹⁵⁵进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本512通道数据G¹⁵⁶∈R^512×14×14；

SS6157.分别以q⁴¹²和p⁴¹²为用于仿射变换的尺度参数和平移参数，对G¹⁵⁶进行批标准化操作，得到结果G¹⁵⁷∈R^512×14×14；

SS6158.构建三阶张量G¹⁵⁸∈R^512×14×14并通过G¹⁵⁸＝G¹⁵⁷初始化，然后把G¹⁵⁸中的负值元素更新为0，其他元素保持不变；

SS6159.把G¹⁵⁸视为高度和宽度均为14的512通道数据，把W⁴¹³视为2048个高度和宽度均为1的512通道卷积核，采用W⁴¹³对G¹⁵⁸进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本2048通道数据G¹⁵⁹∈R^2048×14×14；

SS6160.分别以q⁴¹³和p⁴¹³为用于仿射变换的尺度参数和平移参数，对G¹⁵⁹进行批标准化操作，得到结果G¹⁶⁰∈R^2048×14×14；

SS6161.对G¹⁵²和G¹⁶⁰进行逐元素相加操作，得到结果G¹⁶¹∈R^2048×14×14；

SS6162.构建三阶张量G¹⁶²∈R^2048×14×14并通过G¹⁶²＝G¹⁶¹初始化，然后把G¹⁶²中的负值元素更新为0，其他元素保持不变；

SS6163.把G¹⁶²视为高度和宽度均为14的2048通道数据，把W⁴²¹视为512个高度和宽度均为1的2048通道卷积核，采用W⁴²¹对G¹⁶²进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本512通道数据G¹⁶³∈R^512×14×14；

SS6164.分别以q⁴²¹和p⁴²¹为用于仿射变换的尺度参数和平移参数，对G¹⁶³进行批标准化操作，得到结果G¹⁶⁴∈R^512×14×14；

SS6165.构建三阶张量G¹⁶⁵∈R^512×14×14并通过G¹⁶⁵＝G¹⁶⁴初始化，然后把G¹⁶⁵中的负值元素更新为0，其他元素保持不变；

SS6166.把G¹⁶⁵视为高度和宽度均为14的512通道数据，把W⁴²²视为512个高度和宽度均为3的512通道卷积核，采用W⁴²²对G¹⁶⁵进行步长为1、每边补零延拓边界数为1的多通道二维卷积运算，得到高度和宽度均为14的单样本512通道数据G¹⁶⁶∈R^512×14×14；

SS6167.分别以q⁴²²和p⁴²²为用于仿射变换的尺度参数和平移参数，对G¹⁶⁶进行批标准化操作，得到结果G¹⁶⁷∈R^512×14×14；

SS6168.构建三阶张量G¹⁶⁸∈R^512×14×14并通过G¹⁶⁸＝G¹⁶⁷初始化，然后把G¹⁶⁸中的负值元素更新为0，其他元素保持不变；

SS6169.把G¹⁶⁸视为高度和宽度均为14的512通道数据，把W⁴²³视为2048个高度和宽度均为1的512通道卷积核，采用W⁴²³对G¹⁶⁸进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本2048通道数据G¹⁶⁹∈R^2048×14×14；

SS6170.分别以q⁴²³和p⁴²³为用于仿射变换的尺度参数和平移参数，对G¹⁶⁹进行批标准化操作，得到结果G¹⁷⁰∈R^2048×14×14；

SS6171.对G¹⁶²和G¹⁷⁰进行逐元素相加操作，得到结果G¹⁷¹∈R^2048×14×14；

SS6172.构建三阶张量G¹⁷²∈R^2048×14×14并通过G¹⁷²＝G¹⁷¹初始化，然后把G¹⁷²中的负值元素更新为0，其他元素保持不变；

SS6173.把G¹⁷²视为高度和宽度均为14的2048通道数据，把W⁵视为256个高度和宽度均为1的2048通道卷积核，采用W⁵对G¹⁷²进行步长为1、没有补零延拓边界的多通道二维卷积运算，得到高度和宽度均为14的单样本256通道数据G¹⁷³∈R^256×14×14；

SS6174.分别以q⁵和p⁵为用于仿射变换的尺度参数和平移参数，对G¹⁷³进行批标准化操作，得到结果G¹⁷⁴∈R^256×14×14；

SS6175.构建三阶张量G¹⁷⁵∈R^256×14×14并通过G¹⁷⁵＝G¹⁷⁴初始化，然后把G¹⁷⁵中的负值元素更新为0，其他元素保持不变；

SS6176.对G¹⁷⁵进行模式1展开(mode-1unfolding)操作，得到矩阵L¹∈R^256×196；

SS6177.构建数据矩阵L²∈R^256×256，并通过初始化，其中I196为196阶单位矩阵，1196为196阶全1矩阵，^T为转置运算；

SS6178.构建数据矩阵L³∈R^256×256，并通过初始化，其中tr(·)为矩阵的求迹运算；

SS6179.构建数据矩阵L⁴∈R^256×256，并通过L⁴＝0.5(3I256-L³)初始化，其中I256为256阶单位矩阵；

SS6180.构建数据矩阵L⁵∈R^256×256，并通过L⁵＝L³L⁴初始化；

SS6181.构建数据矩阵L⁶∈R^256×256，并通过L⁶＝L⁴初始化；

SS6182.用0.5(3I256-L⁶L⁵)的计算结果更新L⁴，其中I256为256阶单位矩阵；

SS6183.构建数据矩阵L⁷∈R^256×256，并通过L⁷＝L⁵L⁴初始化；

SS6184.构建数据矩阵L⁸∈R^256×256，并通过L⁸＝L⁴L⁶初始化；

SS6185.用0.5(3I256-L⁸L⁷)的计算结果更新L⁴，其中I256为256阶单位矩阵；

SS6186.构建数据矩阵L⁹∈R^256×256，并通过L⁹＝L⁷L⁴初始化；

SS6187.构建数据矩阵L¹⁰∈R^256×256，并通过L¹⁰＝L⁴L⁸初始化；

SS6188.用0.5(3I256-L⁸L⁷)的计算结果更新L⁴，其中I256为256阶单位矩阵；

SS6189.构建数据矩阵L¹¹∈R^256×256，并通过L¹¹＝L⁹L⁴初始化；

SS6190.构建数据矩阵L¹²∈R^256×256，并通过L¹²＝L⁴L¹⁰初始化；

SS6191.用0.5L¹¹(3I256-L¹²L¹¹)的计算结果更新L⁴，其中I256为256阶单位矩阵；

SS6192.构建数据矩阵L¹³∈R^256×256，并通过初始化，其中tr(·)为矩阵的求迹运算；

SS6193.按照从左到右、从上到下顺序把L¹³中位于主对角线及其以上的32896个元素组装成一个32896维行向量l¹⁴∈R^1×32896；

SS6194.构建4维行向量y∈R^1×4，通过y＝l¹⁴(W⁶)^T+(p⁶)^T初始化，其中^T为转置运算；

SS6195.完成前向传播运算，输出y。

以上所述实施实例用于进一步说明本发明，实施实例不应被视为限制本发明的范围。