几张图看清tensorflow中全连接网络与卷积神经网络的区别 -- Tensorflow自学笔记11

一.全连接网络图

全连接 NN 特点:每个神经元与前后相邻层的每一个神经元都有连接关系。(可以实现分类和预测)
全连接网络的参数个数为: ∑(前层×后层+后层)

上图是针对一张分辨率仅为 28 * 28 的黑白图像(像素值个数为 28 * 28 * 1 = 784)，全连接网络的参数总量就有将近 40 万个。

在实际应用中，图像的分辨率远高于此，且大多数是彩色图像，

连接网络一般被认为是分类预测的最佳网络，但待优化的参数过多，容易导致模型过拟合。

为了解决参数量过大而导致模型过拟合的问题，一般不会将原始图像直接输入，而是先

对图像进行特征提取，再将提取到的特征输入全连接网络。

下图就是将汽车图片经过多次特征提取后再喂入全连接网络

经过多次特征提取后再喂入全连接网络。

二.卷积神经网络框架图

卷积神经网络就是，借助神经核提取特征后，再将特征作为输入数据送入全连接网络。

卷积，就是特征提取器，包括，卷积层，批标准化层，激活层，池化层，舍弃层