嘿，这两个问题刚好戳中了CNN训练的核心细节，我来给你理清楚：

1. CNN中何时更新权重？ #

一句话说清：权重（包括卷积核、全连接层参数等所有可训练参数）的更新，永远是在反向传播计算出梯度之后。

具体流程是：先把数据输入CNN做前向传播，得到预测结果后计算损失（比如交叉熵、MSE）；接着通过反向传播，从损失出发，链式求导算出每个可训练参数的梯度；最后调用优化器（比如SGD、Adam），用这些梯度来更新权重。

而权重更新的频率，完全取决于你选择的梯度更新策略。

2. 反向传播更新核参数的时机（结合你的示例） #

先看你的场景：训练数据共1000条，batch size设为50，那整个训练集会被分成1000/50=20个小批次。不同的梯度策略，反向传播和参数更新的时机完全不同：

• 单样本随机梯度下降（纯SGD）：这种模式下，每输入一个样本就走一遍“前向传播→算损失→反向传播→更新权重”的流程。对你的场景来说，一个epoch要做1000次反向传播和参数更新。但这种模式训练波动极大，现在很少直接用。
• 小批量梯度下降（Mini-batch SGD，当前行业默认）：这就是你设置batch size=50的典型场景——每输入一整批50个样本，先把这50个样本的损失做平均（或求和），再基于这个批次的总损失执行反向传播计算梯度，最后更新一次权重（包括卷积核参数）。对你的场景来说，一个epoch会做20次反向传播和参数更新。这种模式平衡了训练稳定性和计算效率，是现在CNN训练的首选。
• 全批量梯度下降（BGD）：这种模式要等1000个样本全部输入完，计算整个训练集的总损失后，才执行一次反向传播和权重更新。一个epoch只更新1次，但计算量巨大，只适合极小的数据集。

所以回到你的问题：如果是用常规的Mini-batch SGD（也就是你设定batch size=50的情况），那是每个批次输入完成后执行反向传播和核参数更新，而非每个样本输入后就执行。

补充个小细节：卷积核本质就是CNN的可训练权重的一部分，它的更新逻辑和全连接层权重完全一致，都是在对应批次的反向传播完成后，由优化器统一处理。

额外提一句：有些进阶训练技巧会用到“梯度累积”——比如把2个批次的梯度攒起来再更新，本质上等价于把batch size放大到100，但这属于特殊优化，不是常规训练的默认操作。

内容的提问来源于stack exchange，提问作者thisisbhavin