1.
上面这张图解释了我很久的困惑，就是下面这个图和最早学习深度学习是看到的那些结点结构的图，比如最早输入224*224*3的照片，接下来经过64个卷积核（卷积核为3个3*3的 ）的两次卷积，，这样明显就是向前慢慢扩展了。
那些结点连线是最早便于介绍神经网络是一维的时候就很好理解了。但是现在这样写法，因为卷积其实也就是在进行权重加和，一个3*3的卷积核加到图片上去不就是相当于那对应位置相乘再进行求和嘛。
第一层到第二层的权重个数就是（（3*3*3）* 64）了呀。
2.
最后是经历了两个全连接层的。
全连接层的每个结点都与上一层所有的结点相连接，用于来将前面提取到的特征综合起来，所以全连接层的参数也就是最多的。
我们可以看到第一个全连接层有4096个节点，上一层pooling之后是7*7*512=25088个节点，所以在这两层之间将会有25088*4096个参数权重（这个还不算bias值，bias还有4096个呢）。
--------------------------------------------------------------------------------------------------------------
之后又是4096*4096（1*1的卷积核）
--------------------------------------------------------------------------------------------------------------
又是4096*1000（也是1*1的卷积核）
3.
卷积和全连接是有区别的，可以认为卷积就是稀疏连接。
- 提升了计算的效率，并且减少了内存的消耗
- 不会限制我们的的输入图片的大小。
4.
有三个全连接层（看到网上一个解释）
一个全连接层中的一层相当于一个多项式，我们使用许多的神经元去拟合这里的数据分布，如果只有一层那就很难解决非线性的问题了。
CNN网络中前几层的卷积层参数量占比小，计算量占比大；而后面的全连接层正好相反，大部分CNN网络都具有这个特点。因此我们在进行计算加速优化时，重点放在卷积层；进行参数优化、权值裁剪时，重点放在全连接层。
5.
实现代码（记录两个链接吧）
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
