机器不学习:CNN入门讲解-为什么要有最后一层全连接
哈哈哈,又到了讲段子的时间
准备好了吗?
今天要说的是CNN最后一层了,CNN入门就要讲完啦。。。。。
先来一段官方的语言介绍全连接层(Fully Connected Layer)
全连接层常简称为 FC,它是可能会出现在 CNN 中的、一个比较特殊的结构;从名字就可以大概猜想到、FC 应该和普通层息息相关,事实上也正是如此。直观地说、FC 是连接卷积层和普通层的普通层,它将从父层(卷积层)那里得到的高维数据铺平以作为输入、进行一些非线性变换(用激活函数作用)、然后将结果输进跟在它后面的各个普通层构成的系统中:
上图中的 FC 一共有3*2*2 =12个神经元,自 FC 之后的系统其实就是NN。换句话说、我们可以把 CNN 拆分成如下两块结构:
自输入开始、至 FC 终止的“卷积块”,组成卷积块的都是卷积层自 FC 开始、至输出终止的“NN 块”,组成 NN 块的都是普通层
注意:值得一提的是,在许多常见的网络结构中、NN 块里都只含有 FC 这个普通层
明白了没有?各位看官
没有?
说白了全连接就是一个分类器,LR知道不?
逻辑回归懂不懂?
将上层抽取出来的特征向量在里面做一个权重计算,输出各个类别的概率,就是这个,没了。
那么为什么 CNN 会有 FC 这个结构呢?
或者问得更具体一点、为什么要将总体分成卷积块和 NN 块两部分呢?
这其实从直观上来说非常好解释:卷积块中的卷积的基本单元是局部视野,用它类比我们的眼睛的话、就是将外界信息翻译成神经信号的工具,它能将接收的输入中的各个特征提取出来;至于 NN(神经网络)块、则可以类比我们的神经网络(甚至说、类比我们的大脑),它能够利用卷积块得到的信号(特征)来做出相应的决策。概括地说、CNN 视卷积块为“眼”而视 NN 块为“脑”,眼脑结合则决策自成。
用机器学习的术语来说、则卷积块为“特征提取器”而 NN 块为“决策分类器”,
而他的作用就是:全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用
而事实上,CNN 的强大之处其实正在于其卷积块强大的特征提取能力上、NN 块甚至可以说只是用于分类的一个附属品而已。我们完全可以利用 CNN 将特征提取出来后、用之前介绍过的决策树、支持向量机等等来进行分类这一步而无须使用 NN 块。
有没有觉得很赞,关注一下呗,哈哈哈
最新文章
- 6. ModelDriven拦截器、Preparable 拦截器
- 使用nwjs开发桌面应用之Hello,World!
- [LeetCode] Longest Substring with At Most K Distinct Characters 最多有K个不同字符的最长子串
- Eclipse 中文的设置
- JScrollBar
- Android退出时关闭所有Activity的方法
- GZFramwork数据库层《三》普通主从表增删改查
- .Net中Math.Round与四舍五入
- NDK(3)java.lang.UnsatisfiedLinkError: Native method not found解决方法
- python基础课程_学习笔记21:文件和材料
- css3变形动画
- IOS开发-UI学习-UITextField的具体属性及用法
- (转)学习MySQL优化原理,这一篇就够了!
- 记一次完整的asp.net-mvc页面优化过程
- 重启Oracle 服务
- CF1120D Power Tree
- SQL 生日得到年龄
- A1021. Deepest Root
- 【强大知名的CAD绘图工具】AutoCAD 2019 for Mac
- How to use external classes and PHP files in Laravel Controller?
热门文章
- Referenced file contains errors (xml文件第一行小红叉错误)
- TableCache设置过小造成MyISAM频繁损坏 与 把table_cache适当调小mysql能更快地工作
- Flink源码阅读(二)——checkpoint源码分析
- MongoDB的关闭
- 如何顺利完成Kubernetes源码编译?
- unity 之协程返回值
- P2279 [HNOI2003]消防局的设立[树形dp]
- redis cluster集群的原理
- python3.8新特性
- Linux 服务器性能出问题,排查下这些参数指标