深入理解卷积层，全连接层的作用意义
有部分内容是转载的知乎的，如有侵权，请告知，删除便是，但由于是总结的，所以不一一列出原作者是who。
再次感谢，也希望给其他小白受益。
首先说明：可以不用全连接层的。
理解1：
卷积取的是局部特征，全连接就是把以前的局部特征重新通过权值矩阵组装成完整的图。
因为用到了所有的局部特征，所以叫全连接。
理解2：
从卷积网络谈起，卷积网络在形式上有一点点像咱们正在召开的“人民代表大会制度”。卷积核的个数相当于候选人，图像中不同的特征会激活不同的“候选人”（卷积核）。
池化层（仅指最大池化）起着类似于“合票”的作用，不同特征在对不同的“候选人”有着各自的喜好。
全连接相当于是“代表普选”。所有被各个区域选出的代表，对最终结果进行“投票”，全连接保证了receiptive field 是整个图像，既图像中各个部分（所谓所有代表），都有对最终结果影响的权利。
理解3：
假设你是一只小蚂蚁，你的任务是找小面包。你的视野还比较窄，只能看到很小一片区域。当你找到一片小面包之后，你不知道你找到的是不是全部的小面包，所以你们全部的蚂蚁开了个会，把所有的小面包都拿出来分享了。全连接层就是这个蚂蚁大会~
【感觉有点像盲人摸象】
理解4：
例如经过卷积，relu后得到3x3x5的输出。
那它是怎么样把3x3x5的输出，转换成1x4096的形式？
很简单,可以理解为在中间做了一个卷积。
从上图我们可以看出，我们用一个3x3x5的filter 去卷积激活函数的输出，得到的结果就是一个fully connected layer 的一个神经元的输出，这个输出就是一个值。因为我们有4096个神经元。我们实际就是用一个3x3x5x4096的卷积层去卷积激活函数的输出。
以VGG-16再举个例子吧，
对224x224x3的输入，最后一层卷积可得输出为7x7x512，如后层是一层含4096个神经元的FC，则可用卷积核为7x7x512x4096的全局卷积来实现这一全连接运算过程。
它把特征representation整合到一起，输出为一个值。
这样做,有一个什么好处？就是大大减少特征位置对分类带来的影响。
举个简单的例子：
从上图我们可以看出，猫在不同的位置，输出的feature值相同，但是位置不同。
对于电脑来说，特征值相同，但是特征值位置不同，那分类结果也可能不一样。
这时全连接层filter的作用就相当于
喵在哪我不管，我只要喵，于是我让filter去把这个喵找到，
实际就是把feature map 整合成一个值，这个值大，有喵，这个值小，那就可能没喵
和这个喵在哪关系不大了，鲁棒性有大大增强。
因为空间结构特性被忽略了，所以全连接层不适合用于在方位上找Pattern的任务，比如segmentation。
全连接层中一层的一个神经元就可以看成一个多项式，
我们用许多神经元去拟合数据分布
但是只用一层fully connected layer 有时候没法解决非线性问题，
而如果有两层或以上fully connected layer就可以很好地解决非线性问题了
我们都知道，全连接层之前的作用是提取特征
全连接层的作用是分类
我们现在的任务是去区别一图片是不是猫
假设这个神经网络模型已经训练完了
全连接层已经知道
当我们得到以上特征，我就可以判断这个东东是猫了。
因为全连接层的作用主要就是实现分类（Classification）
从下图，我们可以看出
红色的神经元表示这个特征被找到了（激活了）
同一层的其他神经元，要么猫的特征不明显，要么没找到
当我们把这些找到的特征组合在一起，发现最符合要求的是猫
ok，我认为这是猫了
当我们把这些找到的特征组合在一起，发现最符合要求的是猫
ok，我认为这是猫了
猫头有这么些个特征，于是我们下一步的任务
就是把猫头的这么些子特征找到，比如眼睛啊，耳朵啊
道理和区别猫一样
当我们找到这些特征，神经元就被激活了（上图红色圆圈）
这细节特征又是怎么来的？
就是从前面的卷积层，下采样层来的
全连接层参数特多（可占整个网络参数80%左右）
那么全连接层对模型影响参数就是三个：
1，全连接层的总层数（长度）
2，单个全连接层的神经元数（宽度）
3，激活函数
首先我们要明白激活函数的作用是：增加模型的非线性表达能力
---------------------
作者：向阳+
来源：CSDN
原文：https://blog.csdn.net/m0_37407756/article/details/80904580
版权声明：本文为博主原创文章，转载请附上博文链接！
深入理解卷积层，全连接层的作用意义相关推荐
- 卷积神经网络—全连接层
卷积神经网络-全连接层 全连接层 全连接层与卷积层 全连接层与GAP(全局平均池化层) [1] https://blog.csdn.net/Touch_Dream/article/details/79 ...
- 卷积神经网络--全连接层
在卷积神经网络尚未火热的年代,人们使用haar/lbp + adaboost级连的组合方式检测人脸,hog+svm的组合方式检测行人.这种传统的目标检测方法一个认知上的优势就是: 模块的功能明确,划分 ...
- 卷积神经网络 全连接层（稠密层）是什么？（全连接层就是每一个结点都与上一层的所有结点相连的网络层）
对 n-1 层和 n 层而言,n-1 层的任意一个节点,都和第 n 层所有节点有连接(即第n层节点都和第n-1层节点相连接).即第n层的每个节点在进行计算的时候,激活函数的输入是n-1层所有节点的加权 ...
- 卷积神经网络全连接层转换为卷积层获得heatmap
理论部分 转自 http://blog.csdn.net/u010668083/article/details/46650877 实验部分 全连接层换卷积层的出处大约是yahoo的一篇论文" ...
- CNN 全连接层与卷积层深刻理解
CNN 全连接层与卷积层 卷积和全连接关系 卷积取的是局部特征,全连接就是把以前的局部特征重新通过权值矩阵组装成完整的图. 因为用到了所有的局部特征,所以叫全连接 什么是全连接层 全连接层(fully ...
- 对卷积神经网络中卷积层、激活层、池化层、全连接层的理解
文章目录 卷积神经网络 输入层 卷积层 激励层 池化层 全连接层 卷积神经网络 举一个卷积神经网络识别汽车的例子如下: 其中数据输入的是一张图片(输入层),CONV表示卷积层,RELU表示激励层,PO ...
- 机器学习入门（15）— 全连接层与卷积层的区别、卷积神经网络结构、卷积运算、填充、卷积步幅、三维数据卷积、多维卷积核运算以及批处理
卷积神经网络(Convolutional Neural Network,CNN)CNN 被用于图像识别.语音识别等各种场合,在图像识别的比赛中,基于深度学习的方法几乎都以 CNN 为基础. 1. 全连 ...
- Lesson 16.1016.1116.1216.13 卷积层的参数量计算，1x1卷积核分组卷积与深度可分离卷积全连接层 nn.Sequential全局平均池化，NiN网络复现
二 架构对参数量/计算量的影响 在自建架构的时候,除了模型效果之外,我们还需要关注模型整体的计算效率.深度学习模型天生就需要大量数据进行训练,因此每次训练中的参数量和计算量就格外关键,因此在设计卷积网 ...
- 卷积核和全连接层的区别_「动手学计算机视觉」第十六讲：卷积神经网络之AlexNet...
前言 前文详细介绍了卷积神经网络的开山之作LeNet,虽然近几年卷积神经网络非常热门,但是在LeNet出现后的十几年里,在目标识别领域卷积神经网络一直被传统目标识别算法(特征提取+分类器)所压制,直到 ...
- 2 RepMLP：卷积重参数化为全连接层进行图像识别 (Arxiv)
论文地址: RepMLP: Re-parameterizing Convolutions into Fully-connected Layers for Image Recognitionarxiv ...
最新文章
- Microsoft PlayReady DRM
- C 语言编程 — GCC 工具链
- python_控制台输出带颜色的文字方法
- android 从零单排 第一期 按键显示helloworld
- Mybatis入门学习---创建第一个Mybatis程序
- 搭架SSH服务器学习笔记
- html获取qq头像代码,jQuery在线获取QQ名称和头像
- 前端学习（2388）：封装请求模块
- mysql php7安装配置_centos7无网络下安装部署php7.1.33+mysql5.7.28+apache2.4.6-Go语言中文社区...
- 丘成桐： 没有经过考验的创新，往往深度不够
- 机器学习笔记III: 基于支持向量机的分类预测
- 【Away3D代码解读】（一）：主要类及说明
- java版本号分段比较_java 实现比较版本号功能
- php 网页解析错误,php-解析错误：语法错误,文件意外结束
- Android SDK Setup如何使用?
- Ubuntu 11.04 下安装配置 JDK 7
- C/C++ Bug记录
- ASP.NET MVC3 异常处理 学习笔记
- oseasy还原卡_学校机房管理批量更新软件的问题还原卡、网刻、噢易OSS对比区别...
- MATLAB与STK互联23：卫星对象操作（14）—仿真分析案例1，建立8个地面站，分析对卫星的可见性