卷积神经网络为什么最后接一个全连接层

发布网友发布时间：2022-04-18 14:47

共5个回答

懂视网时间：2022-04-18 19:09

全连接层的作用如下：

　　1、首先全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。

　　2、其次目前由于全连接层参数冗余（仅全连接层参数就可占整个网络参数80%左右），近期一些性能优异的网络模型如ResNet和GoogLeNet等均用全局平均池化（global average pooling，GAP）取代FC来融合学到的深度特征，最后仍用softmax等损失函数作为网络目标函数来指导学习过程。需要指出的是，用GAP替代FC的网络通常有较好的预测性能。

　　3、最后FC可在模型表示能力迁移过程中充当“防火墙”的作用。

　　连接层，又称为数据链路层（Data Link），或称为网络介质层（Network In-terface），也就是网络的基础建设，广泛应用于通信网的安全技术中，处理通信与授权控制的核心协议。可在以太网（Ethernet）、光纤（Fiber）、无线网络（Wireless）、帧传送（Frame Relay）或点对点（PPP）物理网络中为网络层提供数据传送服务，连接层最重要的任务在于传送及接收物理层所传送的光电信号。　

热心网友时间：2022-04-18 16:17

在常见的卷积神经网络的最后往往会出现一两层全连接层，全连接一般会把卷积输出的二维特征图（feature map）转化成（N*1）一维的一个向量
全连接的目的是什么呢？因为传统的端到到的卷积神经网络的输出都是分类（一般都是一个概率值），也就是几个类别的概率甚至就是一个数--类别号，那么全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。

但是全连接的参数实在是太多了，你想这张图里就有20*12*12*100个参数，前面随便一层卷积，假设卷积核是7*7的，厚度是64，那也才7*7*64，所以现在的趋势是尽量避免全连接，目前主流的一个方法是全局平均值。也就是最后那一层的feature map（最后一层卷积的输出结果），直接求平均值。有多少种分类就训练多少层，这十个数字就是对应的概率或者叫置信度。

热心网友时间：2022-04-18 17:35

在基本的CNN网络中，全连接层的作用是将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取图像特征具有的高层含义，之后用于图像分类。在CNN网络中，全连接层将卷积层产生的特征图映射成一个固定长度(一般为输入图像数据集中的图像类别数)的特征向量。这个特征向量包含了输入图像所有特征的组合信息，虽然丢失了图像的位置信息，但是该向量将图像中含有最具有特点的图像特征保留了下来以此完成图像分类任务。从图像分类任务的角度来看，计算机只需要对图像内容进行判定，计算输入图像具体所属类别数值（所属类别概率），将最有可能的类别输出即可完成分类任务。

热心网友时间：2022-04-18 19:09

分类标签输出。

热心网友时间：2022-04-18 21:01

这种问题为什么不去Quora或者知乎问？