卷积层需要的参数量:输入通道*输出通道*卷积核大小
全连接层需要的参数:输入的像素数*全连接层大小
LeNet,AlexNet,VGG的问题:卷积后的第一个全连接层参数过大,1.需要很多内存,2.占有很多计算带宽,3.有可能会带来过拟合。
为了解决这个问题,NiN不使用全连接层。
NiN块
一个卷积层和两个1*1的卷积层(充当全连接层)
NiN架构:
1.无全连接层
2.交替使用NiN块和步幅为2的最大池化层,逐步减小高宽和增大通道数
3.最后使用全局平均池化层得到输出。输入通道数是类别数,池化核大小与输入矩阵大小相同(池化不改变通道数)。
总结:
1.NiN块使用卷积层加两个1*1卷积层,后者对每个像素增加了非线性性
2.NiN使用全局平均池化层来替代VGG和AlexNet中的全连接层,不容易过拟合,有更少的参数个数