31. 深度学习进阶 - 全连接层及网络结构

最新推荐文章于 2025-12-05 13:14:36 发布
最新推荐文章于 2025-12-05 13:14:36 发布
阅读量507 收藏 5
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 茶桁的AI秘籍 - 核心基础 茶桁的 AI 会员专栏 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ivandoo/article/details/135106573

在这里插入图片描述

Hi，你好。我是茶桁。

之前的课程咱们学习了卷积以及池化，那到底卷积是如何构成卷积神经网络的呢？我们这节课来好好讲一下。

全连接层

整个卷积的运算就是经过卷积，再经过pooling，再经过卷积。会把这个图形变的很小。然后再经过pooling，又会一直把我们的特征变得越来越小，之后有一个很重要的层，这个层叫做全连接层。

Alt text

后面的几个柱状图就是它的线性变化，就是它的全连接层。

先是将图片卷积、池化变小，变成很小的高级特征，然后拉平之后进入全连接层进行线性变化。 这就是卷积操作的整个工作流，也是为什么卷积操作需要的参数少的原因。

我们在这里重点说一下全连接层。

Alt text

我们做了很多pooling， 很多卷积之后，我们会生成一个很厚的一个值。把很厚的这个值给他拉平，在PyTorch里面直接就flatten, 或者用reshape直接进行，把它拉平成一个1乘以n的一个向量。然后给这个1乘以

了解本专栏 订阅专栏 解锁全文 超级会员免费看
图文—神经网络组成（卷积层、池化层、全链接层、激活函数）与发展史（LeNet、AlexNet、VGG、ResNet、GAN）
Mr_DaYang的博客
09-16 7688
目录单个神经元的构成卷积网的发展史2018—GAN 生成式对抗网络深度卷积生成对抗网络 单个神经元的构成 一个神经元接收多方输入的特征值，然后分别对特征值进行相应的加权求和，以及加上偏置量，最后通过非线性函数变换得到输出结果。多个简单的神经元之间相互连接就组成了一套完整的神经网络系统。 由于输入的特征包含许多干扰因素，所以我们将低维空间映射到高维空间，将线性不可变的部分变成线性可分即激活函数的方式降低干扰因素。为了降低无关因素所对应的权值和增大具有差异性特征的权值，我们根据输出结果计算误差，反向修改各个
深度学习CNN网络--卷积层、池化层、全连接层详解与其参数量计算
LittleRuby的博客
11-29 1万+
看Training Curve 以及 Validation Curve，在其他条件理想的情况下，如果Training Accuracy 高， Validation Accuracy 低，也就是过拟合 了，可以尝试去减少层数或者参数。卷积核“滑动”的同时，计算权重矩阵和扫描所得的数据矩阵的乘积，然后把结果汇总成一个输出像素。12的图像，然后通过了一个全连接层用一个12x12x20x100的卷积层去卷积激活函数的输出，最终得到1*100 的向量。全连接层将学到的特征表示映射到样本的标记空间的作用。
卷积神经网络学习笔记-基础知识
weixin_47260381的博客
08-20 543
卷积神经网络基础知识笔记
卷积和全连接层的模型参数计算详解，详细到神经元个数一个个算，天啊，以VGG16为例
热门推荐
qq_41158484的博客
10-06 1万+
卷积层、全连接层参数计算，看一遍必会，详细到神经元一个个计算，oh my god
【深度学习进阶】CNN-GoogleNet
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
12-13 7270
GoogLeNet，正式名称为Inception-v1，在2014年由谷歌的研究团队提出，并在当年的ImageNet大规模视觉识别挑战赛（ILSVRC）中赢得了分类任务的第一名。GoogLeNet的设计初衷是为了克服当时深度学习模型面临的两个主要问题：参数过多导致的过拟合风险和计算复杂度高带来的应用难题。它通过引入一种名为"Inception模块"的独特结构来解决这些问题。
【深度学习进阶】CNN-VGG
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
12-13 7027
VGG网络是由牛津大学计算机视觉组（Visual Geometry Group, VGG）的研究人员设计的一系列深度卷积神经网络。这些网络在2014年的ImageNet大规模视觉识别挑战赛（ILSVRC-2014）中表现出色，虽然不是当年的冠军，但其简洁而有效的结构引起了学术界和工业界的广泛关注。
《深度学习进阶 自然语言处理》第三章：word2vec
sherwinzhang的博客
11-09 1951
本章我们详细解释了 word2vec 的 CBOW 模型，（具体实现可以参考书中代码）。CBOW模型基本上是一个2层的神经网络，结构非常简单。
从基础到进阶：深度学习原理的全方位解析
anan6699的博客
06-18 1570
在训练过程中，模型通过损失函数来衡量模型预测结果与真实结果之间差异，在计算得到损失函数的值后，通过优化算法、反向传播算法来调整权重，以找到最小化损失函数的权重值。既然是根据分段来拟合，那必然少不了与原始函数的差异，拟合函数与原函数的差异，我们用损失函数来说表示，损失函数是衡量模型预测结果与真实结果之间差异的指标。优化算法用于更新网络中的权重，以减少损失函数的值。然而，正常情况下的要求的函数图像并不是规则的，于是就需要更多的处理节点、更多层数的隐藏层去处理，以得到更拟合原有函数y=f(x)的预测结果。
【深度学习:进阶篇】--3.1.卷积神经网络1（CNN）
我是个好人呀，O(∩_∩)O
06-18 1481
摘要：卷积神经网络（CNN）在计算机视觉中广泛应用，其核心思想源于20世纪的概念，近年来因计算能力提升和大数据而流行。CNN通过卷积层提取图像特征，利用池化层降低维度，最后由全连接层进行分类。关键创新包括：1）局部感受野减少参数量；2）通过边缘检测学习图像特征；3）使用零填充（padding）保持图像尺寸；4）池化操作提高计算效率和鲁棒性。CNN相比传统神经网络能更高效地处理图像，参数数量大幅减少，使其成为深度学习中的重要结构。典型的CNN架构包含交替的卷积、激活、池化层，最后连接全连接层完成分类任务。
【深度学习进阶】卷积神经网络(CNN)原理
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
12-13 5687
我们来通过一个例子看一下结算结果，以及参数的计算假设我们有10 个Filter，每个Filter3 X 3 X 3（计算RGB图片），并且只有一层卷积，那么参数有多少？3∗3∗31bias283∗3∗31bias28个权重参数，总共28 * 10 = 280个参数，即使图片任意大小，我们这层的参数也就这么多。假设一张200 *200* 3的图片，进行刚才的Filter,步长为1，最终为了保证最后输出的大小为200 * 200，需要设置多大的零填充N2P−。
精选资源
《动手学习深度学习》之三：2.卷积神经网络（CNN）进阶-5种模型（打卡2.5）
01-20
卷积神经网络（CNN）是深度学习领域中的关键模型，尤其在图像处理任务中表现出色。本节将探讨五种经典的CNN模型：LeNet、AlexNet、VGG、NiN和GoogLeNet，首先从LeNet开始。 LeNet是由Yann LeCun等人在1998年提出的...
动手入门深度学习笔记-CNN模型以及进阶模型
01-20
卷积神经网络（CNN，Convolutional Neural Network）是一种广泛应用于图像识别、计算机视觉和自然语言处理等领域的深度学习模型。CNN的特点在于其利用卷积层来捕获输入数据的空间结构，尤其对于图像数据，能够有效地...
基于深度学习的三层卷积池化与全连接神经网络人脸识别课程设计
08-05
本课程设计以“基于深度学习的三层卷积池化与全连接神经网络的人脸识别”为主题，旨在通过理论学习与实践操作相结合的方式，让学生深入了解并掌握深度学习技术在人脸识别中的应用原理和方法。 首先，课程设计介绍了...
人工智能学习笔记与课程资料全记录-布里斯托大学机器人专业研究生AI课程完整内容-机器学习算法实现与数学推导详解-神经网络深度学习基础与进阶知识-包含K-means聚类等无监督学习技.zip
08-08
这些课程资料会详细介绍神经网络的原理、结构和各种深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN）等。 布里斯托大学的课程资料不仅包括理论知识的讲解，也包含了大量实践性的内容。学习者可以通过实现...
【人工智能】【深度学习】④ Stable Diffusion核心算法解析：从DDPM到文本生成图像的飞跃
xiezhiyi007的专栏
12-02 1363
Stable Diffusion是AI绘画领域的革命性技术，其核心基于扩散模型：通过"拆快递"式的噪声添加（前向扩散）和"拼乐高"式的逐步去噪（逆向过程），实现从噪声到图像的构建。本文用快递分拣、乐高拼装等生活化类比，解析CLIP文本编码器（翻译文字指令）、VAE（图像压缩）和U-Net（智能拼图）三大核心组件。相比传统GAN模型，它避免模式崩溃，提升语义理解能力，成为文本生成图像的黄金标准。通过代码与架构图解析，帮助开发者快速掌握这项技术的核心逻辑。
深度学习理论推导--梯度下降法
weixin_43719312的博客
12-02 923
本文通过小猪体重增长的例子，生动解释了梯度下降法的原理。首先回顾线性回归的求解方法（最小二乘法和正规方程），指出非线性问题的局限性。然后以二元函数z=1+x+2y为例，通过微分推导证明：在微观尺度下，当增量方向与梯度方向一致时，函数增长最快。文中详细分析了不同方向上的增量变化，并用向量运算说明梯度方向的重要性。最后指出梯度向量∇z=[1,2]^T即为函数增长最快的方向，为后续讲解梯度下降法奠定了基础。
深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用
云雾J视界的博客
12-04 873
本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。
【深度学习新浪潮】DeepSeek V3.2深度解析：稀疏革命与Agent突破，开源模型的效率跃迁
智能守恒_HengAI
12-01 249
DeepSeek V3.2通过DSA稀疏注意力与规模化RL训练的双重创新，不仅实现了"性能不降级、成本降七成"的效率突破，更将开源模型的Agent能力推向新高度。对于开发者而言，标准版的高性价比与增强版的极限推理能力形成互补，既能满足日常业务需求，又可支撑前沿技术探索。随着DSA机制的持续迭代与国产算力适配的深化，开源模型与闭源模型的能力差距正快速缩小。未来值得期待其在多模态稀疏处理、端侧部署优化等方向的进一步突破。你在实际开发中更关注V3.2的长文本处理能力还是Agent工具调用功能？
深度学习与机器学习的3个关键区别
最新发布
dream_it_come_in的博客
12-05 708
在人工智能的浪潮中，“机器学习” 和 “深度学习” 是两个高频出现却常被混淆的概念。很多人误以为深度学习是机器学习的 “升级版”，但实际上二者在技术逻辑、适用场景和核心能力上存在本质区别。今天我们就从三个核心维度，拆解它们的关键差异，帮你快速理清 AI 技术的底层逻辑。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

茶桁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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