卷积神经网络如何连接到多层感知器？
How does a convolutional neural network connect to the multi-layered perceptron?
发生哪个操作来产生 9x9 过滤器的输出并将该输出作为输入传递给 MLP。
在最后一个卷积层之后，您有 N 个特征图，分辨率为 WxH。如果连接所有值，这可以看作是大小为 NxWxH 的特征向量 X。
这就是您将它连接到 MLP 的方式：即 X 作为 nb 线性变换的输入。行 = MLP 输出和 nb。列 = NxWxH.
示例：traffic sign recognition 具有 2 个卷积层 (x) 的简单卷积网络给出：
- 输入：3通道，宽度=32，高度=32
- 第 1 层：108 个特征图，宽度=14，高度=14
- 第 2 层：200 个特征图，宽度=5，高度=5
- 具有 100 个隐藏单元和 43 个输出的 2 层分类器 类
因此，要将其连接到最终的 MLP，您 将第 2 层的输出重塑 为 200x5x5=5000 个元素的向量。
此向量成为大小为 100（行）x 5000（列）的线性变换的输入。
(x) 卷积核大小 = 5，空间池化大小 = 2。
发生哪个操作来产生 9x9 过滤器的输出并将该输出作为输入传递给 MLP。
在最后一个卷积层之后，您有 N 个特征图，分辨率为 WxH。如果连接所有值，这可以看作是大小为 NxWxH 的特征向量 X。
这就是您将它连接到 MLP 的方式：即 X 作为 nb 线性变换的输入。行 = MLP 输出和 nb。列 = NxWxH.
示例：traffic sign recognition 具有 2 个卷积层 (x) 的简单卷积网络给出：
- 输入：3通道，宽度=32，高度=32
- 第 1 层：108 个特征图，宽度=14，高度=14
- 第 2 层：200 个特征图，宽度=5，高度=5
- 具有 100 个隐藏单元和 43 个输出的 2 层分类器 类
因此，要将其连接到最终的 MLP，您 将第 2 层的输出重塑 为 200x5x5=5000 个元素的向量。
此向量成为大小为 100（行）x 5000（列）的线性变换的输入。
(x) 卷积核大小 = 5，空间池化大小 = 2。