【机器学习】卷积层，池化层，全连接层，BN层作用；CNN 网络参数数量的计算

本文链接：https://blog.youkuaiyun.com/weixin_37985288/article/details/93318486

本文深入探讨卷积层、池化层、全连接层和BN层在卷积神经网络中的作用。卷积层作为特征提取器，提供位置信息并减少参数；池化层用于特征提取和防止过拟合；全连接层作为分类器，利用全局平均池化减少参数；BN层加速训练，缓解梯度问题。此外，文章还介绍了CNN网络参数数量的计算方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

官方文档：https://keras.io/layers/convolutional/#zeropadding2d
https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html VGG16架构

https://www.cnblogs.com/ymjyqsx/p/9451739.html

【搬运】conv卷积层：
1.相当于一个特征提取器（特征增强，消除噪声）
2.提供了位置信息
3.减少了参数个数

https://blog.youkuaiyun.com/m0_37622530/article/details/82230368
https://www.cnblogs.com/ymjyqsx/p/9451739.html

【搬运】pooling池化层：
1.提取特征（减少之前的特征维数） 2.减少训练参数
3.进而防止过拟合（泛化能力加强）。激活函数：增加网络的非线性表达能力。

1 过滤越来越多的卷积层，提取越来越高级的特征
2 Max pooling和Global Average Pooling用来只保留这些特征中最强的，保证特征的位置与旋转不变性，减少模型参数数量，减少过拟合问题

————————————————————————————
https://blog.youkuaiyun.com/qq_39521554/article/details/81385159
【半搬运】对全连接层（fully connected layer）的通俗理解：
全连接层（fully connected layers，FC）（通过矩阵向量乘积）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则对前面的特征（通过“全局平均值global average pooling”的方法减少全连接的参数）做加权和，将学到的“分布式特征表示”（高度提纯的特征）映射到样本标记空间。

https://blog.youkuaiyun.com/wangyuxi__/article/det