在VGG模型的测试阶段，通常将全连接层（FC）替换为卷积层（Conv）。这样做是因为全连接层的参数在不同尺寸的feature map上无法复用，而卷积层通过调整stride可以适应不同尺寸的输入，从而保持模型的泛化能力。FC层的权重矩阵可以映射到Conv层的filter，两者在数学表达上等效，因此转换不会影响模型的预测结果。
感谢以下这篇博文对vgg深入浅出的讲解：
https://blog.youkuaiyun.com/qq_40027052/article/details/79015827
在vgg的测试阶段，会把训练阶段的fc换成conv。
那么问题来了，这样改变之后，原本fc中已经训练好的参数怎么处理？以及为什么要这样做？
其实可以这样理解：
全连接网络在数学表达式上可以和卷积神经网络保持一致。
全连接网络是这样做的
![1\times [7\times 7\times 512]*[7\times 7\times 512]\times 4096=1\times 4096](https://i-blog.csdnimg.cn/blog_migrate/6a86c363e3160d2704dced7516d6c18a.png)
卷积神经网络是这样做的
feature map：
最低0.47元/天 解锁文章
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
