全连接层后面加bn层_【机器学习】卷积层，池化层，全连接层，BN层作用；CNN 网络参数数量的计算...

官方文档：https://keras.io/layers/convolutional/#zeropadding2d

https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html VGG16架构

#【搬运】conv卷积层：

1.相当于一个特征提取器(特征增强，消除噪声)2.提供了位置信息3.减少了参数个数

#【搬运】pooling池化层：#1.提取特征(减少之前的特征维数)#2.减少训练参数#3.进而防止过拟合(泛化能力加强)。 激活函数：增加网络的非线性表达能力。

#1 过滤越来越多的卷积层，提取越来越高级的特征#2 Max pooling和Global Average Pooling用来只保留这些特征中最强的，保证特征的位置与旋转不变性，减少模型参数数量，减少过拟合问题

————————————————————————————

https://blog.csdn.net/qq_39521554/article/details/81385159

【半搬运】对全连接层(fully connected layer)的通俗理解：

全连接层(fully connected layers，FC)(通过矩阵向量乘积)在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则对前面的特征(通过“全局平均值global average pooling”的方法减少全连接的参数)做加权和，将学到的“分布式特征表示”(高度提纯的特征)映射到样本标记空间。

【https://blog.csdn.net/m0_37407756/article/details/80904580

卷积取的是局部特征，全连接就是把以前的局部特征重新通过权值矩阵组装成完整的图。因为用到了所有的局部特征，所以叫全连接。】

在实际使用中，全连接层可以转化为卷积核为1x1的卷积。

https://www.cnblogs.com/ymjyqsx/p/9451739.html

卷积层本来就是全连接的一种简化形式:不全连接+参数共享，把局部视野之外的弱影响直接抹为零影响，同时还保留了空间位置信息(卷积层不同位置的权值共享