cnn全连接层

作用

根据特征的组合进行分类

大大减少特征位置对分类带来的影响

减少特征位置对分类带来的影响

就是它把特征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

为啥都是两层？

但是大部分是两层以上呢

这是为啥子呢

泰勒公式都知道吧

意思就是用多项式函数去拟合光滑函数

我们这里的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

参考：https://zhuanlan.zhihu.com/p/33841176

本栏目推荐文章
• 基于CNN和双向gru的心跳分类系统
• 大模型被偷家！腾讯港中文新研究修正认知：CNN搞多模态不弱于Transfromer
• 【专题】2023工业5G全连接工厂白皮书报告PDF合集分享（附原数据表）
• 深度学习的典型神经网络类型——卷积神经网络（CNN）
• Mask-R-CNN生成的mask掩码图像处理
• 一种用于心音分类的轻量级1D-CNN+DWT网络
• 机器学习中的典型算法——卷积神经网络（CNN）
• 数仓实践丨常量标量子查询做全连接导致整体慢
• 聊聊卷积神经网络CNN
• SQL FULL OUTER JOIN 关键字：左右表中所有记录的全连接解析

全连 cnn全连cnn 全连 全连gcn 全连 白皮 数据表 白皮书 cnn 全连 网关 工厂 智慧 全连 数据库 数据 r-cnn 1d-cnn line-cnn