【深度学习】全连接层 (Full Connection，FC)

本文介绍了全连接层的工作原理及其在深度学习模型中的作用，并探讨了其存在的问题，特别是参数冗余的问题。此外，还介绍了如何使用全局平均池化（GAP）来替代全连接层，以提高模型效率并保持良好的预测性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Introduce

全连接层也是一种卷积层。
它的参数基本和卷积层的参数一样，只是它的卷积核大小和原数据大小一致。
起到将学到的“分布式特征表示”映射到样本标记空间的作用。
用 global average pooling 取代 FC，已经成为了大势所趋。

Defect

目前由于全连接层参数冗余（仅全连接层参数就可占整个网络参数80%左右），近期一些性能优异的网络模型如ResNet和GoogLeNet等均用全局平均池化（global average pooling，GAP）取代FC来融合学到的深度特征，最后仍用softmax等损失函数作为网络目标函数来指导学习过程。需要指出的是，用GAP替代FC的网络通常有较好的预测性能。

Note：

那么为什么 全连接层参数冗余（仅全连接层参数就可占整个网络参数80%左右） 呢？
因为全连接层的卷积核横截面做得和输入的 feature map 一样大。而常规卷积层的卷积核横截面只有一个小滑窗那么大。很明显，二者的参数数量级根本就不在一个level上。

Inner Product

在 Caffe 中，全连接层的 type (层类型) 为 Inner Product 。
输出一个简单向量（把输入数据blobs的width和height全变为1）。

Caffe学习系列(5)：其它常用层及参数：

layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

lr_mult: 学习率的系数，最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。

必须设置的参数：

num_output: 过滤器（filfter)的个数

其它参数：

weight_filler: 权值初始化。默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设置为”gaussian"
bias_filler: 偏置项的初始化。一般设置为"constant",值全为0。
bias_term: 是否开启偏置项，默认为true, 开启

Note：

slim.fully_connected 无法显示最终结果为1X1，而更像是降维，所以必须要先reshape到一个 [batch_size, -1] 的尺寸：

x = tf.reshape(x, [input_shape[0], -1])
_pred = slim.fully_connected(x, num_outputs=output_num, activation_fn=None, scope='fc_final')