**：
理解全連線層：
連線層實際就是卷積核大小為上層特徵大小的卷積運算，卷積後的結果為乙個節點，就對應全連線層的乙個點。（理解）
假設最後乙個卷積層的輸出為7×7×512，連線此卷積層的全連線層為1×1×4096。
如果將這個全連線層轉化為卷積層：
1.共有4096組濾波器
2.每組濾波器含有512個卷積核
3.每個卷積核的大小為7×7
4.則輸出為1×1×4096
由於每個濾波核的大小和上一層的feature map大小一樣，保證了轉換後的卷積層的運算結果和全連線層是一樣的
若後面再連線乙個1×1×4096全連線層。則其對應的轉換後的卷積層的引數為：
1.共有4096組濾波器
2.每組濾波器含有4096個卷積核
3.每個卷積核的大小為1×1
4.則輸出為1×1×4096
而全連線層的壞處就在於其會破壞影象的空間結構，因此人們便開始用卷積層來「代替」全連線層，通常採用1×1的卷積核，這種不包含全連線的cnn成為全卷積神經網路（fcn），fcn最初是用於影象分割任務，之後開始在計算機視覺領域的各種問題上得到應用，事實上，faster r-cnn中用來生成候選視窗的cnn就是乙個fcn。fcn的特點就在於輸入和輸出都是二維的影象，並且輸入和輸出具有相對應的空間結構，在這種情況下，我們可以將fcn的輸出看作是一張熱度圖，用熱度來指示待檢測的目標的位置和覆蓋的區域。在目標所處的區域內顯示較高的熱度，而在背景區域顯示較低的熱度，這也可以看成是對影象上的每乙個畫素點都進行了分類，這個點是否位於待檢測的目標上。
深入理解卷積層，全連線層的作用意義
再次感謝，也希望給其他小白受益。首先說明 可以不用全連線層的。理解1 卷積取的是區域性特徵，全連線就是把以前的區域性特徵重新通過權值矩陣組裝成完整的圖。因為用到了所有的區域性特徵，所以叫全連線。理解2 從卷積網路談起，卷積網路在形式上有一點點像咱們正在召開的 人民代表大會制度 卷積核的個數相當於候選...
對this 的深入理解
this的取值，分四種情況。我們來挨個看一下。在此再強調一遍乙個非常重要的知識點 在函式中this到底取何值，是在函式真正被呼叫執行的時候確定的，函式定義的時候確定不了。因為this的取值是執行上下文環境的一部分，每次呼叫函式，都會產生乙個新的執行上下文環境。情況1 建構函式 所謂建構函式就是用來n...
全連線層的理解
全連線層的每乙個結點都與上一層的所有結點相連，用來把前邊提取到的特徵綜合起來。由於其全相連的特性，一般全連線層的引數也是最多的。下圖中連線最密集的2個地方就是全連線層，這很明顯的可以看出全連線層的引數的確很多。在前向計算過程，也就是乙個線性的加權求和的過程，全連線層的每乙個輸出都可以看成前一層的每乙...