CNN中全连接层是什么样的

名称：全连接。意思就是输出层的神经元和输入层的每个神经元都连接。

例子： AlexNet  网络中第一个全连接层是这样的：

layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top:"fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 0.1
    }
  }
}

其中  bottom: "pool5"就是这个全连接层的输入，而top:"fc6"就是这个全连接层的输出。值得注意的地方是这个bottom: "pool5"是个“二维平面“式的数据，也就是N X M的数组样式，但是top:"fc6"确是一个K X 1或者 1 X K的向量，因此在实现中，程序会将bottom: "pool5"拉成N*M X 1或者1 X M*N的向量。

这个输入向量是什么呢？对，是特征图，符号化就是X(1)、X(2)、X(3)...X(N*M)，括号内是X的下标。

那么输出呢？如果这个全连接层不是最后一个全连接层那么它也是特征图，符号化就是Y(1)、Y(2)、Y(3)...Y(K)，括号内是Y的下标。

那么输入和输出是怎么联系到一块呢？答案就是W权重了，也叫滤波器，也叫卷积核。

那么在全连接层里怎么没看到这个滤波器的大小呢？答案是：不需要，因为它就是全连接啊。

一般情况下，输入神经元的个数不等于输出神经元的个数，那数目不等的输入输出神经元怎么连接起来呢？还有，这个滤波器（卷积核）是什么样呢？可以看看下面例子：

其中(X_1,X_2,X₃)就是输入神经元（特征图），而(Y₁Y₂)就是输出神经元（特征图），两层之间的连接就是卷积核：，想想矩阵相乘，就明白1X3的“矩阵”怎么变成1X2的矩阵了。

总的下来就是：，

这个卷积核的形状是在代码中自动计算出来的。