深入理解卷积层,全连接层的作用意义 |
您所在的位置:网站首页 › 链接的意义 › 深入理解卷积层,全连接层的作用意义 |
有部分内容是转载的知乎的,如有侵权,请告知,删除便是,但由于是总结的,所以不一一列出原作者是who。 再次感谢,也希望给其他小白受益。 首先说明:可以不用全连接层的。 理解1: 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。 理解2: 从卷积网络谈起,卷积网络在形式上有一点点像咱们正在召开的“人民代表大会制度”。卷积核的个数相当于候选人,图像中不同的特征会激活不同的“候选人”(卷积核)。 池化层(仅指最大池化)起着类似于“合票”的作用,不同特征在对不同的“候选人”有着各自的喜好。 全连接相当于是“代表普选”。所有被各个区域选出的代表,对最终结果进行“投票”,全连接保证了receiptive field 是整个图像,既图像中各个部分(所谓所有代表),都有对最终结果影响的权利。 理解3: 假设你是一只小蚂蚁,你的任务是找小面包。你的视野还比较窄,只能看到很小一片区域。当你找到一片小面包之后,你不知道你找到的是不是全部的小面包,所以你们全部的蚂蚁开了个会,把所有的小面包都拿出来分享了。全连接层就是这个蚂蚁大会~ 理解4: 例如经过卷积,relu后得到3x3x5的输出。 那它是怎么样把3x3x5的输出,转换成1x4096的形式? 很简单,可以理解为在中间做了一个卷积。 从上图我们可以看出,我们用一个3x3x5的filter 去卷积激活函数的输出,得到的结果就是一个fully connected layer 的一个神经元的输出,这个输出就是一个值。因为我们有4096个神经元。我们实际就是用一个3x3x5x4096的卷积层去卷积激活函数的输出。 以VGG-16再举个例子吧, 对224x224x3的输入,最后一层卷积可得输出为7x7x512,如后层是一层含4096个神经元的FC,则可用卷积核为7x7x512x4096的全局卷积来实现这一全连接运算过程。 它把特征representation整合到一起,输出为一个值。 这样做,有一个什么好处?就是大大减少特征位置对分类带来的影响。 举个简单的例子: 从上图我们可以看出,猫在不同的位置,输出的feature值相同,但是位置不同。 对于电脑来说,特征值相同,但是特征值位置不同,那分类结果也可能不一样。 这时全连接层filter的作用就相当于 喵在哪我不管,我只要喵,于是我让filter去把这个喵找到, 实际就是把feature map 整合成一个值,这个值大,有喵,这个值小,那就可能没喵 和这个喵在哪关系不大了,鲁棒性有大大增强。 因为空间结构特性被忽略了,所以全连接层不适合用于在方位上找Pattern的任务,比如segmentation。 全连接层中一层的一个神经元就可以看成一个多项式, 我们用许多神经元去拟合数据分布 但是只用一层fully connected layer 有时候没法解决非线性问题, 而如果有两层或以上fully connected layer就可以很好地解决非线性问题了我们都知道,全连接层之前的作用是提取特征 全理解层的作用是分类 我们现在的任务是去区别一图片是不是猫 假设这个神经网络模型已经训练完了 全连接层已经知道 当我们得到以上特征,我就可以判断这个东东是猫了。 因为全连接层的作用主要就是实现分类(Classification) 从下图,我们可以看出 红色的神经元表示这个特征被找到了(激活了) 同一层的其他神经元,要么猫的特征不明显,要么没找到 当我们把这些找到的特征组合在一起,发现最符合要求的是猫 ok,我认为这是猫了 当我们把这些找到的特征组合在一起,发现最符合要求的是猫 ok,我认为这是猫了 猫头有这么些个特征,于是我们下一步的任务 就是把猫头的这么些子特征找到,比如眼睛啊,耳朵啊 道理和区别猫一样 当我们找到这些特征,神经元就被激活了(上图红色圆圈) 这细节特征又是怎么来的? 就是从前面的卷积层,下采样层来的 全连接层参数特多(可占整个网络参数80%左右) 那么全连接层对模型影响参数就是三个: 1,全接解层的总层数(长度)2,单个全连接层的神经元数(宽度)3,激活函数首先我们要明白激活函数的作用是: 增加模型的非线性表达能力 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |