全连接层概念引入
很久很久以前，原始深林中有一个昌盛的蜜蜂王国，在这个王国中，有一女王，名叫蜂女，她统领着整个国度。蜂女婀娜多姿，容颜永驻，多少世人甘愿用自己一生的寿命来换取她的一次回眸。世人不解，为什么只有女王能与天同寿，而其他蜜蜂却无一不能摆脱自然规律的束缚。
原来，蜂女有一个嗜好，喜欢吸取百花精心酿成的蜂蜜。在她的王宫内，有一职位，后人给其学名叫“百花蜜浆融合设计师”，该职位只此一人，蜂女当选。
女王为了酝酿独特的蜂蜜，每年从全国各种筛选出成千上万种对独特花粉敏感的蜜蜂，然后对他们进行层层测试，层层筛选，最终挑选出百种独特蜜蜂。这些蜜蜂有一共同特点，那就是只对某种花粉感兴趣，但也有一弊端，如果他们连续没有进食这种花粉，几天之内则会被活活地饿死。
然而，随着自然的演进，人类对原始深林的过度开采，其花草物种数量急剧减少，森林范围也在加速萎缩，特种花朵也越发稀少，也之因此，以此种花粉蜜汁进食的蜜蜂也在逐渐地灭亡。
但女王吸取百花蜂蜜的嗜好不减反增，为了不引起全国蜜蜂的反抗，她设立了诸多荣誉奖项，为那些鞠躬精粹的蜜蜂们树立了高高的纪念碑，每年在特定时间，蜂女带领全国蜜蜂百姓默哀敬礼。以此，全国蜜蜂百姓也越发地以能够得到如此殊荣而奋不顾身，服务女王。
这些被特地挑选出来的蜜蜂采得的花粉，因为没有混入别的花粉，当然也是纯度最高的。而接下了，女王会用其高超的酿造技术，锻造八八九十一天，至此，百花蜂蜜酝酿成功。
CNN和图像识别
CNN中，经过卷积，池化操作后，一般要接一个全连接层进行分类。这里进行的卷积核就像上面故事中特地筛选出来用采取特地花粉的100种蜜蜂。
下图用一个卷积核为例，经过卷积操作，只要越和斜条形状吻合，卷积后数值就越大。
下图是上图经过卷积操作计算出3这个数的详细图解：
这100种蜂蜜只对特定花粉敏感，相当于100个不同的卷积核，而卷积出的数据，相当于他们采得的花粉，然后我们把这100个卷积核卷出的所有数据，展平成一维，就是全连接层的神经元了。
下图是用2个卷积核为例：
当然，不用像上面图示那样，用最后一层全连接层就可以了。
简单来说，全连接层就像上面故事的女王，我们要识别或分类的图片就像蜂女酿造的百花蜜，经过女王的锻造，最终图片也被识别出来了。
网友评论