CNN中全连接层的理解

CNN中全连接层的理解

CNN中的卷积层与全连接层都是计算点乘，所以两者可以互相转化。

比如上图中的AlexNet，在将图像变成7x7x512的结构之后，连接了两个4096层的全连接层。第一个全连接层可以理解为用4096个7x7的卷积核卷积7x7X512的结构，输出结果为[1x1x4096]。

第一个全连接层的参数量为4096x7x7x512，为什么是4096个卷积呢，因为7x7x512可以理解为有512个大小7x7的图像，卷积时每个卷积核在不同通道上的参数不一样。可以参考下面cs231课程中图示理解。