CNN中全连接层的输出是什么？
What is the output of fully connected layer in CNN?
例如，在 Caffe 中，应该在 Inner Product (Fully Connected) 层中定义 num_output。这个输出数字是什么意思？
将完全连接层视为 1xN 和 NxM 的简单矩阵乘法，以产生维度 1xM.
的结果
让我们考虑将维度为 56x56x3 的数据作为全连接层的输入。设权重的维度未知NxM。考虑一下，我们设置 num_ouput = 4096.
为了计算这些数据，全连接层将维度 56x56x3 的输入数据重塑为 1xN、1x(56x56x3) = 1x9408.
因此，
N = 9408
M=num_output=4096
实际上我们最终做了一个 (1x9408)matrix - (9408x4096) matrix 乘法。
如果 num_output 值更改为 100，它最终会执行 (1x9408)matrix - (9408x100) matrix 乘法。
因此增加 num_ouput 值将增加模型必须学习的权重参数的数量。
例如，在 Caffe 中，应该在 Inner Product (Fully Connected) 层中定义 num_output。这个输出数字是什么意思？
将完全连接层视为 1xN 和 NxM 的简单矩阵乘法，以产生维度 1xM.
让我们考虑将维度为 56x56x3 的数据作为全连接层的输入。设权重的维度未知NxM。考虑一下，我们设置 num_ouput = 4096.
为了计算这些数据，全连接层将维度 56x56x3 的输入数据重塑为 1xN、1x(56x56x3) = 1x9408.
因此，
N = 9408
M=num_output=4096
实际上我们最终做了一个 (1x9408)matrix - (9408x4096) matrix 乘法。
如果 num_output 值更改为 100，它最终会执行 (1x9408)matrix - (9408x100) matrix 乘法。
因此增加 num_ouput 值将增加模型必须学习的权重参数的数量。