所以我們得以得到結論，全連線層和卷積層實際上是可以相互轉換的。
舉個例子：
最後乙個卷積層的輸出為 7*7*512，即每個 feature map 的大小為 7*7，共有 512 個 feature map，然後通過乙個全連線層得到了 1*1*4096 的輸出，如下圖所示：
將全連線層轉換為卷積層的關鍵就在卷積核引數的設定上，仍然用上面的例子：
設定卷積核大小為 7*7，通道數（厚度）為 512；[ 說白了其實就是和上一層的 feature map 尺寸一模一樣 ]
設定 4096 組卷積核；
當這組卷積核作用於輸入的 feature map 上時，就能得到乙個 1*1*4096 的輸出。
由於卷積核大小和輸入的 feaure map 一模一樣，就保證了轉換後的卷積層的運算結果和之前的全連線層是一樣的。
為什麼要將全連線層變為卷積層？
對於傳統的 cnn（即包含全連線層），乙個確定的網路其輸入影象的大小是固定的，比如 caffenet 的輸入須是 227*227，那麼對於更大的影象，在檢測時就需要裁剪出很多 227*227 的小影象分別送入 cnn 網路中，使得檢測任務十分耗時。
而網路需要輸入固定大小影象的主要原因就是有全連線層，當把全連線層替換成了卷積層後，就可以不限制輸入影象的大小，一次性輸入網路即可獲得一張所有位置的檢測目標概率，形成一幅 heatmap。
固定大小是說送入網路訓練的每乙個資料大小需要一樣，可以全都是 227*227，也可以全都是 224*224，只要統一就行。
這樣要求的原因是全連線層與前一層連線時，引數數量需要預先設定好。不同於卷積操作，卷積核的引數數量就是卷積核大小，它與前一層的 feature map 多大沒有關係，但是全連線層的引數是隨著前一層 feature map 的大小變化而變化的，當輸入影象大小不同，全連線層之前得到的 feature map 大小也不一樣，那麼全連線層的引數數量就不能確定，所以必須固定輸入影象的大小。
所以我們得以得到結論，全連線層和卷積層實際上是可以相互轉換的。
舉個例子：
最後乙個卷積層的輸出為 7*7*512，即每個 feature map 的大小為 7*7，共有 512 個 feature map，然後通過乙個全連線層得到了 1*1*4096 的輸出，如下圖所示：
將全連線層轉換為卷積層的關鍵就在卷積核引數的設定上，仍然用上面的例子：
設定卷積核大小為 7*7，通道數（厚度）為 512；[ 說白了其實就是和上一層的 feature map 尺寸一模一樣 ]
設定 4096 組卷積核；
當這組卷積核作用於輸入的 feature map 上時，就能得到乙個 1*1*4096 的輸出。
由於卷積核大小和輸入的 feaure map 一模一樣，就保證了轉換後的卷積層的運算結果和之前的全連線層是一樣的。
為什麼要將全連線層變為卷積層？
對於傳統的 cnn（即包含全連線層），乙個確定的網路其輸入影象的大小是固定的，比如 caffenet 的輸入須是 227*227，那麼對於更大的影象，在檢測時就需要裁剪出很多 227*227 的小影象分別送入 cnn 網路中，使得檢測任務十分耗時。
而網路需要輸入固定大小影象的主要原因就是有全連線層，當把全連線層替換成了卷積層後，就可以不限制輸入影象的大小，一次性輸入網路即可獲得一張所有位置的檢測目標概率，形成一幅 heatmap。
固定大小是說送入網路訓練的每乙個資料大小需要一樣，可以全都是 227*227，也可以全都是 224*224，只要統一就行。
這樣要求的原因是全連線層與前一層連線時，引數數量需要預先設定好。不同於卷積操作，卷積核的引數數量就是卷積核大小，它與前一層的 feature map 多大沒有關係，但是全連線層的引數是隨著前一層 feature map 的大小變化而變化的，當輸入影象大小不同，全連線層之前得到的 feature map 大小也不一樣，那麼全連線層的引數數量就不能確定，所以必須固定輸入影象的大小。
全連線層與卷積層替換的原因
參考 out in 2p k s 1 same 考慮下圖 現有一feature map 7x7x512，當其與相同尺寸的核進行卷積時就相當於矩陣的點積，結果是乙個值。所以 當filter1設定為7x7x512時，結果實際就是512個點積的和，而4096個7x7x512進行卷積，就可得到1x4096。...
全連線層及卷積層的反向傳播公式
這裡主要是記錄一下全連線層及卷積層的兩組反向傳播 bp 公式，只要看懂和記住這兩個公式，反向傳播的理解和實現應該都是不難的了。z jl kw jkla kl 1 bjl 1.1 z l j sum k w l a k b l j tag zjl k wj kl a kl 1 bj l 1 1 l a...
卷積神經網路中的 「全連線層」
對 n 1 層和 n 層而言，n 1 層的任意乙個節點，都和第 n 層所有節點有連線 即第n層節點都和第n 1層節點相連線 即第n層的每個節點在進行計算的時候，啟用函式的輸入是n 1層所有節點的加權。像下面的中間層就是全連線方式 以上圖為例，我們仔細看上圖全連線層的結構，全連線層中的每一層是由許多神...