006-卷积神经网络02-池化层，全连接层

池化层（Pooling layer）

池化层干一件事：将特征图进行浓缩

两种方法：一种是max方法，一种是mean方法，

max方法做的事就是在特征图中选定一个区域，选取里面的最大值，然后放在pooling的结果中

mean方法就是在特征图中选定一个区域，求这个区域的均值，然后放在pooling的结果中

 这里面不存在权重参数w

max方法：

mean方法就是把求max换成求mean

 

卷积神经网络前向传播框架：

通常conv+relu是一个整体，卷积完成后，在加一层激活函数

最后的一个池化层pooling链接的是一个全连接层（FC），得到特征向量。

 

全连接层：

全连接到底是一个什么鬼？

说白了就是用所有的w与全连接的输入进行加权求和，得到的一维向量

其中，x1、x2、x3为全连接层的输入，a1、a2、a3为输出，根据我前边在笔记1中的推导，有

可以写成如下矩阵形式：

这里的w是每一行内的每一个，每一列内的每一个，全部的w都与全部的输出有关系，所以叫做全连接层。

 

 

 

 

转载于:https://www.cnblogs.com/Mjerry/p/9804331.html