一起理解Transpose 、 Flatten 、Reshape、全连接层

【一起理解】Transpose 、 Flatten 、Reshape、全连接层

这里使用YoloV1的案例来解释这些操作的内容

Transpose

transpose 转置；

• 并非是每次都会用到的（非深度学习的基础设施）（一种上采样的方法）
• 特征提取的专职操作通常指的是转置卷积，也称为反卷积或上采样卷积。用于从较小的特征生成较大的特征映射的场景，主要目的是增加数据的空间维度，与传统的卷积操作相反，他是通过零填充来扩大输入特征图的，然后应用到卷积核的，以此生成具有更大空间尺寸的输出特征图。

Flatten

flatten 扁平化

• 用于将多维度的输入数据转换为一维的数组，通常在卷积神经网络CNN与全连接层Dense Layer使用。
• 假设有一个三位特征图，使用Flatten操作之后，这个特征图会转换为一维数组，作为全连接层输入，用于后面的分类、回归等后续任务。
• Flatten本身不改变数据的总量，只是改变数据的形状，使其输入到全连接层中。

全连接层

FC，fully connected

（7，7，1024）Tensor 与 4096个神经元连接，组成全连接层，（7，7，1024）中的所有元素与4096个神经元全部连接。意味着这个层负责将（7，7，49）维的高级表示映射到一个4096更低维度的空间，以满足任务的需要。可以用于包括分类、回归或其他任务。

简单理解：高维与低维的所有神经元都进行连接，通过不同的权重将高维信息映射到低维度上，实现参数的减少，维度的降低。

Reshape

如果用于多分类的话，一般衔接多个全连接层一直到和class种类相同，然后进行softmax，找到分类概率最大的。

在这里，因为最后要映射到7 * 7 * 30的Tensor上，所以要进行一次reshape