输入层是 $n\ast n$ 的黑白图像,输出层的值是上一层的各个元素的和

隐含层包括: 卷积前使用 $pad=2$ 的 Zero-padding, 卷积核大小为 $3\ast 3(f=3),stride=1$ 对于所有层权值共享, 激活函数为 ReLU ， 池化前使用 $pad=1$ 的 Zero-padding 池化使用的是 $2\ast 2$ Average pooling (默认 $stride=2$)，网络深度为 $m$ 层 (即重复执行前面几种操作$m$次)

尽管卷王神经网络的准确率已经超过 100%, 卷王小辣对它的效率还是不够满意,你能帮他快速卷出神经网络的输出值吗

输出答案 $\%998244353$ 的值。假设答案是P/Q，那么你应该输出 P×Q⁻¹，这里 Q⁻¹ 表示 $Q$ 在模 $998244353$ 意义下的逆元。

以下是一些关于卷积神经网络的小知识

卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。

基础的CNN由 卷积(convolution), 激活(activation), 池化(pooling)三种结构组成。

零填充(Zero-padding) 是在图像周围填充 0。 图示为 $pad=2$ 的情况
tle="" align="" />

卷积部分是核心操作,通俗的说:

定义卷积核大小为 $f\times f$, 权值为 w_i,j

步长为 $stride$

卷积之后，通常引入非线性激活函数(activation function)，这里定义 activation function 是 $h()$

经过激活函数后，得到的结果是 Z_x,y=h(A_x,y)

其中,线性整流单元(ReLU)为函数 $h(x)=\max (0,x)$

池化(pooling)，是一种降采样操作(subsampling)，主要目标是降低feature maps的特征空间，或者可以认为是降低feature maps的分辨率。

平均值池化 Average pooling: 如下图所示, $2\ast 2$ 的average pooling就是取 4 个像素点中平均值值保留,默认 $stride=2$

平均池化可等价看成 $f=2,stride=2$ 卷积核为 的卷积(如果 n_prev 为奇数计算时向下取整,详情见卷积公式)

tle="" align="" />

现在你已经是个成熟的卷怪了,快和小辣一起卷吧!