CNN学习记录之卷积层+全连接层

本文深入探讨了深度学习中卷积层的工作原理,解释了如何通过卷积核进行特征提取,产生新的特征图。同时,文章详细阐述了全连接层的作用,说明了其如何将卷积层的输出转化为最终的分类结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

卷积层:

对应位置乘积求和求和再求和(就是所谓的加权平均)!!这样操作之后每个窗口的输出为一个1*1的值

那么32*32*3的矩阵通过5*5*3卷积核就会产生28*28*1的矩阵

 

全连接层:

对于每一个1*1的输出,我们都需要输入层所有值的信息

所以如果input = 20*4*4,output = 400*1*1

那么对于400里面每一个1*1我们都需要20*4*4个权重值和1个偏置值!

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值