為什么可以用CNN代替FC？
- 空間結(jié)構(gòu)信息：CNN通過卷積操作保留了輸入數(shù)據(jù)的空間結(jié)構(gòu)信息，這對于圖像等數(shù)據(jù)非常重要惜犀。而FC則會忽略這種空間結(jié)構(gòu)信息仪搔，將所有輸入展平處理瘾婿。
- 參數(shù)共享：CNN由于其權(quán)值共享的特性，參數(shù)數(shù)量遠(yuǎn)少于FC烤咧。這使得CNN在處理大規(guī)模高維數(shù)據(jù)時(shí)偏陪，如圖像，更具優(yōu)勢煮嫌。
- 平移不變性：CNN具有平移不變性笛谦，即無論目標(biāo)物體在圖像中的位置如何移動，CNN都能有效地識別出來昌阿。而FC則不具備這種性質(zhì)饥脑。
卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)量怎么計(jì)算？
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network懦冰，CNN）的參數(shù)量計(jì)算涉及到卷積層灶轰、池化層和全連接層等不同類型的層。以下是一些常見層的參數(shù)計(jì)算方法：
卷積層（Convolutional Layer）： 對于一個(gè)卷積層刷钢，參數(shù)數(shù)量取決于卷積核的大小笋颤、輸入通道數(shù)（輸入特征圖的深度）和輸出通道數(shù)（卷積核的數(shù)量）。 參數(shù)數(shù)量 = 卷積核大心诘亍（WH） * 輸入通道數(shù) * 輸出通道數(shù)*伴澄。
池化層（Pooling Layer）： 池化層沒有需要學(xué)習(xí)的參數(shù)，因此在計(jì)算網(wǎng)絡(luò)總參數(shù)時(shí)通常不考慮池化層的參數(shù)阱缓。
全連接層（Fully Connected Layer）： 對于全連接層非凌，參數(shù)數(shù)量取決于前一層的輸出大小和全連接層的節(jié)點(diǎn)數(shù)。 參數(shù)數(shù)量 = 前一層輸出大小 * 當(dāng)前層節(jié)點(diǎn)數(shù)荆针。
下面是一個(gè)簡單的例子敞嗡，假設(shè)有一個(gè)CNN模型，包含一個(gè)卷積層航背、一個(gè)池化層和一個(gè)全連接層喉悴。
卷積層：卷積核大小為3x3，輸入通道數(shù)為3沃粗，輸出通道數(shù)為64粥惧。
池化層：使用2x2的最大池化。
全連接層：前一層的輸出大小為256最盅，當(dāng)前層節(jié)點(diǎn)數(shù)為128突雪。
計(jì)算方法如下:
- 卷積層參數(shù)數(shù)量：333*64=1728(未使用偏置)
- 池化層沒有參數(shù)
- 全連接層參數(shù)數(shù)量：256*128=32768總參數(shù)數(shù)量:1728+0+32768=34496 (未使用偏置)
總參數(shù)數(shù)量：1728 + 0 + 32768 = 34496
卷積層特征圖尺寸計(jì)算公式
卷積層特征圖尺寸的計(jì)算公式可以通過以下幾個(gè)參數(shù)來確定：
- 輸入尺寸(w)：輸入特征圖的寬度或高度
- 卷積核尺寸(K)：卷積核的寬度或高度起惕。
- 步幅(s)：卷積核在輸入上的滑動步幅,
- 零填充(P)：在輸入的周圍添加零值的層數(shù)，以控制輸出尺寸咏删。
卷積層特征圖的尺寸可以通過以下的公式計(jì)算：輸出尺寸=|(W-K+2P)/S]+1
這個(gè)公式描述了卷積操作如何影響輸入特征圖的尺寸惹想。簡而言之，卷積操作通過卷積核在輸入上滑動督函，每次滑動的步幅由s法定嘀粱，同時(shí)通過零填充P來控制輸出的尺寸。這有助于確保輸出尺寸適合后續(xù)層的處理辰狡。
