"To do any classification or regression, we need the fully-connected layer as the output layer"
"To do any classification or regression, we need the fully-connected layer as the output layer"
我正在浏览一些论文和教程，到处都提到它，"To do any classification or regression, we need the fully-connected layer as the output layer"。为什么这样？它背后的直觉是什么？我无法与我的理解联系起来。如果我在最后一层使用 dropouts 会怎样？
首先，dropouts 是一种从首要效应调整不正确训练的方法：抛出一些中间结论，并相信有效的结论会自然地重新出现。 Dropout一般不在最后一层使用。
fully-connected 最后一层是用于分类的 NN（神经网络）惯用语：它为倒数第二层（前一层）中的每个感知器赋予一个权重，以影响最终（最终）分类。
总体思路是，倒数第二层包含模型用来做出分类决策的 highest-level 抽象和关系。每个可能的分类都会得到一个 "voice"（权重）。结果是最后一个FC（fully-connected）层。
我正在浏览一些论文和教程，到处都提到它，"To do any classification or regression, we need the fully-connected layer as the output layer"。为什么这样？它背后的直觉是什么？我无法与我的理解联系起来。如果我在最后一层使用 dropouts 会怎样？
首先，dropouts 是一种从首要效应调整不正确训练的方法：抛出一些中间结论，并相信有效的结论会自然地重新出现。 Dropout一般不在最后一层使用。
fully-connected 最后一层是用于分类的 NN（神经网络）惯用语：它为倒数第二层（前一层）中的每个感知器赋予一个权重，以影响最终（最终）分类。
总体思路是，倒数第二层包含模型用来做出分类决策的 highest-level 抽象和关系。每个可能的分类都会得到一个 "voice"（权重）。结果是最后一个FC（fully-connected）层。