超级会员免费看
全连接层（Dense Layer）在神经网络中起到全局特征融合的作用，每个神经元与前一层所有神经元连接。不同于卷积和池化的局部连接，全连接层能捕获全部特征，用于分类任务。在Resnet50中，全连接层通过矩阵乘法实现，1x1卷积也可转化为全连接操作。全连接层通常是网络的最后一层，用于将学到的特征映射到样本空间，输出为分类得分。
Resnet50 中的核心算法，除了卷积、池化、bn、relu之外，在最后一层还有一个全连接。
下图是 Resnet50 网络结构结尾的部分，最后一层 Gemm(通用矩阵乘法）实现的就是全连接操作。而矩阵乘法我们之前介绍过，传送门在：矩阵乘。
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。
那么，全连接层和卷积层甚至矩阵乘法又有什么区别和联系呢？
1、全连接层
全连接层（Fully Connected Layer），也称为密集连接层（Dense Layer），在全连接层中，每个神经元与前一层的每个
订阅专栏 解锁全文
扫一扫
8134
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
