一文搞懂全连接算法和它的作用-Toy模板网

这篇具有很好参考价值的文章主要介绍了一文搞懂全连接算法和它的作用。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

如果你是搞AI算法的同学，相信你在很多地方都见过全连接层。

无论是处理图片的卷积神经网络（CNN），还是处理文本的自然语言处理（NLP）网络，在网络的结尾做分类的时候，总是会出现一个全连接层。

那么到底什么是全连接层，这一层在神经网络中有什么作用，以及它和矩阵乘法、卷积运算有什么关系呢？

在阅读之前，建议先了解一个预备知识。

卷积也好，矩阵乘法也好，其目的都是为了完成神经网络中的特征融合，这是其本质。

神经网络的运算，也是为了更好的完成输入数据的特征提取和融合，从而识别一张图片、一个句子。

就好像我们记住一个人一样，记住的不是他的全部，而是他的特征。

1、什么是全连接层

全连接层（Fully Connected Layer），有时也被叫作密集层（Dense Layer）。

之所以这么叫，是因为这一层的每个神经元都与前一层的每个神经元连接在一起，形成了一个全连接的网络结构，如下所示，每个笑脸都与前一层的所有笑脸相连。

全连接的本质,算法科普,深度学习,人工智能

这种全连接的方式与卷积和池化不同，卷积和池化是通过固定大小的卷积核或池化窗口在输入上移动，以便有效地捕捉局部特征。

因此，"全连接"强调了这一层中的神经元与前一层中的所有神经元之间的连接，与卷积和池化层的局部连接方式形成对比。

既然是所有神经元的全部连接，说明它可以捕获到前面所有的特征，经过运算就可以更加有效、完备的融合所有特征。使得神经网络最终看到的特征是个全局特征（一只猫），而不是局部特征（眼睛或者鼻子）。

有一个蚂蚁开会的比喻来比喻全连接层，比较形象。

假设你是一只蚂蚁，你的任务是找小面包。这时候你的视野比较窄，只能看到很小一片区域，也就只能看到一个大面包的部分。当你找到一片面包之后，你根本不知道你找到的是不是全部的面包，所以你们所有的蚂蚁开了个会，互相把自己找到的面包的信息分享出来，通过开会分享，最终你们确认，哦，你们找到了一个大面包。

上面说的蚂蚁开会的过程，就是全连接，这也是为什么，全连接需要把所有的节点都连接起来，尽可能的完成所有节点的信息共享。

说到这，大概就能理解全连接的作用了吧，那就是可以完成全部特征的融合。

单纯从数学运算上来看，全连接就是矩阵运算，关于矩阵运算的本质，这里说的更清晰一些：5分钟搞懂矩阵乘法的本质。

全连接和卷积的区别，除了上面说的前者是全局视野，卷积是局部视野之外，还有一个很重要的联系，那就是如果卷积的卷积核变为1x1，那么相当于卷积核的每一个像素都与输入图片的每一个像素相关联，此时1x1的卷积，也就变成了矩阵乘了。

全连接一般放在一个神经网络的最后，用来做分类。

假设神经网络前面很多层学到了1000个特征，那么最后一层全连接就可以把这1000个特征进行全部融合，融合之后就可以知道这张图片是一只狗，或者这个句子说的是“我爱学习”了。

@董董灿是个攻城狮本文首发：5分钟搞懂全连接，写文不易，点个赞再走呗~文章来源地址https://www.toymoban.com/news/detail-830496.html

到了这里，关于一文搞懂全连接算法和它的作用的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！