全连接层的作用_CNN中使用卷积代替全连接

船长黑板报所有文章和代码的最新版本均在

Captain1986/CaptainBlackboard​github.com

维护，知乎不做维护

您的Star是对我的鼓励

## 引言

在经典分类网络，比如LeNet、AlexNet中，在前面的卷积层提取特征之后都串联全连接层来做分类。但是近些年来，越来越多的网络，比如SSD，FasterRCNN的RPN，MTCNN中的PNet，都使用卷积层来代替全连接，也一样可以做到目标分类的效果，而且

1. 更灵活，不需要限定输入图像的分辨率；

2. 更高效，只需要做一次前向计算。

本文首先对全连接层和卷积层关系做分析，然后比较全连接层和卷积层的优缺点，自然也就搞清楚了为什么用卷积层替代全连接层这个问题了。

**欢迎探讨，本文持续维护。**

## 实验平台

N/A

## 全连接和卷积的关系

全连接层和卷积层只要设置好了对应的参数，可以在达到相同输入输出的效果，在这个意义上，在数学上可以认为它们是可以相互替换的。

下面我们以输入10 x 10 x 3的特征图，输出10 x 10 x 1的特征图来证明。

### 全连接层是一种核很大的卷积层

全连接层怎么做？