大太子二太子
2021-01-04 10:51
采纳率: 50%
浏览 258

卷积神经网络,全连接层就是一个全连接神经网络吗

卷积神经网络和全连接神经网络

目前我对卷积神经网络的理解,卷积层,激活层和池化层都差不多能理解

通过这三个层次将一个多种颜色通道高像素的图片提取特征,进行简化,然后将简化的结果当作一个全连接神经网络的输入,进行分类,是这样吗?

卷积神经网络的全连接层是否就是一个全连接神经网络?那样的话卷积神经网络要进行训练,要更新每个卷积层里卷积核的参数和全连接层里的权重?还是卷积核是确定不变的,只更新全连接层的权重?

  • 点赞
  • 写回答
  • 关注问题
  • 收藏
  • 邀请回答

2条回答 默认 最新

  • Dr. 卷心菜 2021-01-04 11:52
    已采纳

    所有各种层连接在一起被叫做神经网络,如果这个神经网络只有全连接层,则叫做全连接神经网络。

    “通过这三个层次将一个多种颜色通道高像素的图片提取特征,进行简化,然后将简化的结果当作一个全连接神经网络的输入,进行分类”,您说的是一个基础的用CNN分类流程没错。

    卷积神经网络的全连接层和全连接神经网络的实质是一样的,都是全连接层组成的。

    如果是整个CNN去训练的话,所有的参数都是要更新的。

    现在很多人会用CNN单独去做encoder,得到feature embedding之后再用全连接神经网络作为classifier进行分类,这样就是只更新分类器的权重。

    点赞 1 评论
  • Dr. 卷心菜 2021-01-04 11:52

    所有各种层连接在一起被叫做神经网络,如果这个神经网络只有全连接层,则叫做全连接神经网络。

    “通过这三个层次将一个多种颜色通道高像素的图片提取特征,进行简化,然后将简化的结果当作一个全连接神经网络的输入,进行分类”,您说的是一个基础的用CNN分类流程没错。

    卷积神经网络的全连接层和全连接神经网络的实质是一样的,都是全连接层组成的。

    如果是整个CNN去训练的话,所有的参数都是要更新的。

    现在很多人会用CNN单独去做encoder,得到feature embedding之后再用全连接神经网络作为classifier进行分类,这样就是只更新分类器的权重。

    点赞 1 评论

相关推荐 更多相似问题