1樓：匿名使用者
在常見的卷積神經網路的最後往往會出現一兩層全連線層，全連線一般會把卷積輸出的二維特徵圖（feature map）轉化成（n*1）一維的一個向量
全連線的目的是什麼呢？因為傳統的端到到的卷積神經網路的輸出都是分類（一般都是一個概率值），也就是幾個類別的概率甚至就是一個數--類別號，那麼全連線層就是高度提純的特徵了，方便交給最後的分類器或者回歸。
但是全連線的引數實在是太多了，你想這張圖裡就有20*12*12*100個引數，前面隨便一層卷積，假設卷積核是7*7的，厚度是64，那也才7*7*64，所以現在的趨勢是儘量避免全連線，目前主流的一個方法是全域性平均值。也就是最後那一層的feature map（最後一層卷積的輸出結果），直接求平均值。有多少種分類就訓練多少層，這十個數字就是對應的概率或者叫置信度。
2樓：
在基本的cnn網路中，全連線層的作用是將經過多個卷積層和池化層的影象特徵圖中的特徵進行整合，獲取影象特徵具有的高層含義，之後用於影象分類。在cnn網路中，全連線層將卷積層產生的特徵圖對映成一個固定長度(一般為輸入影象資料集中的影象類別數)的特徵向量。這個特徵向量包含了輸入影象所有特徵的組合資訊，雖然丟失了影象的位置資訊，但是該向量將影象中含有最具有特點的影象特徵保留了下來以此完成影象分類任務。
從影象分類任務的角度來看，計算機只需要對影象內容進行判定，計算輸入影象具體所屬類別數值（所屬類別概率），將最有可能的類別輸出即可完成分類任務。
3樓：匿名使用者
這種問題為什麼不去quora或者知乎問？
卷積神經網路最後的全連線層的權值也是學習得來的嗎？
4樓：匿名使用者
是的 fc的weights cnn的卷積核 以及 pooling層可能會有的 倍數與偏置都是學出來的
卷積神經網路是怎麼使用標籤資訊的？
5樓：匿名使用者
第一、softmax是多分類器，有多個輸出，比如說它有四個輸出，對應分到4類概率，若在4個輸出中第二個輸出的概率最大，則判定為第二類。然後與資料的標籤資訊比較。
第二、框選的目標按畫素點有個區域範圍，識別目標是否在框裡面，就要看所識別目標與這個區域範圍的重合程度。
卷積神經網路每層提取的特徵是什麼樣的
神經網路到底能幹什麼，神經網路能幹什麼？
brightfuture由 神經網路 artificial neural networks，簡寫為anns 也簡稱為神經網路 nns 或稱作連線模型 connection model 它是一種模仿動物神經網路行為特徵，進行分散式並行資訊處理的演算法數學模型。這種網路依靠系統的複雜程度，通過調整內部大...
什麼是神經網路計算機
具有模仿人的大腦判斷能力和適應能力 可並行處理多種資料功能的神經網路計算機，可以判斷物件的性質與狀態，並能採取相應的行動，而且可同時並行處理實時變化的大量資料，並引出結論。神經電腦除有許多處理器外，還有類似神經的節點，每個節點與許多點相連。若把每一步運算分配給每臺微處理器，它們同時運算，其資訊處理速...
神經網路裡面的代價函式是什麼意思
南非烏雀 下面是就是神經網路中代價函式j j 的表示式，看起來還是稍微有點複雜。這個表示式到底在計算什麼？下面我們先用一個簡單的例子來分開一步步計算一下。j 1m i 1m k 1k y i klog h x i k 1 y i k log 1 h x i k 2m l 1l 1 i 1sl j 1...