卷積神經(jīng)網(wǎng)絡(luò)（cnn）中為什么要有池化層？主要有三點(diǎn)：還有像Max pooling這樣的非線性轉(zhuǎn)換，可以提高網(wǎng)絡(luò)功能的性能。卷積神經(jīng)網(wǎng)絡(luò)為什么最后接一個(gè)全連接層？在基本的CNN網(wǎng)絡(luò)中，全連接層的作用是

卷積神經(jīng)網(wǎng)絡(luò)（cnn）中為什么要有池化層？

主要有三點(diǎn)：

還有像Max pooling這樣的非線性轉(zhuǎn)換，可以提高網(wǎng)絡(luò)功能的性能。

卷積神經(jīng)網(wǎng)絡(luò)為什么最后接一個(gè)全連接層？

在基本的CNN網(wǎng)絡(luò)中，全連接層的作用是將圖像特征圖中的特征通過多個(gè)卷積層和池化層進(jìn)行融合，得到圖像特征的高層含義，然后用它進(jìn)行圖像分類。

在CNN網(wǎng)絡(luò)中，完全連接層將卷積層生成的特征映射映射到具有固定長(zhǎng)度的特征向量（通常是輸入圖像數(shù)據(jù)集中的圖像類別數(shù)）。特征向量包含輸入圖像中所有特征的組合信息。該特征向量雖然丟失了圖像的位置信息，但保留了圖像中最具特征的特征，完成了圖像分類的任務(wù)。從圖像分類任務(wù)的角度來看，計(jì)算機(jī)只需確定圖像的內(nèi)容，計(jì)算輸入圖像的具體類別值（類別概率），輸出最有可能的類別即可完成分類任務(wù)。