CNN原理、介绍一下CNN?
【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理
为什么要将全连接替换成全卷积?替换成全卷积的好处是什么?
网络一大堆啰里啰嗦的。。。
首先明确一点,全连接是一种特殊的卷积层,只要将卷积核尺寸同输入w*h保持相同,channel个数同全连接的neural个数。
- 第一点好处:加速前向传播速度,因为卷积核在每个特征图上的计算是并行的;
- 第二点好处:在图像问题中,全卷积可以不限制输入图像的大小,适用范围更大,但是全连接要保证输入图像保持一致的大小。
- 第三点好处:因为卷积具有尺度不变性,全连接没有。
1*1卷积层可以看成全连接层,其中空间维度高和宽上的每个元素相当于样本,通道相当于特征。
全连接层的作用:可以将卷积得到的局部特征连接起来,综合考虑整个图像。
全连接层的坏处:会破坏图像的空间结构,因此人们便开始用卷积层来“代替”全连接层,通常采用1×1的卷积核,这种不包含全连接的CNN成为全卷积神经网络FCN。
全连接层的输入尺寸是固定的,卷积层的输入尺寸是任意的。