菜鸡小白的博客

假设前一层的输出为W*H*C：C个W*H那么全连接的任务就是:通过设置卷积核的参数，给这C个W*H分配，使得最后能得到一组长为L的特征向量，这个特征向量最终被用于分类或数值预测。全连接可以被视为是一种极端情况的卷积层，为了使每个W*H最后的输出是1*1，这个每个卷积核的尺寸也要是输入矩阵尺寸（W*H）。对每个通道都要设置不同的参数，且输出通道数为多少就要设置多少组大小为W*H*C的卷积核。由此可以看出，假设输出通道数为L，则全连接的参数量为L*C*W*H。参数量大，且容易导致过拟合。

x 1 卷积没有什么神秘的，其作用就是将输入矩阵的通道数量缩减后输出（512 降为 32），并保持它在宽度和高度维度上的尺寸（227 x。权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）实际上，全连接层也可以被视为是一种极端情况的卷积层，其卷积核尺寸就是输入矩阵尺寸，因此输出矩阵的高度和宽度尺寸都是1。输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。