计算机视觉工程师在面试过程中主要考察三个内容：图像处理、机器学习、深度学习。然而，各类资料纷繁复杂，或是简单的知识点罗列，或是有着详细数学推导令人望而生畏的大部头。为了督促自己学习，也为了方便后人，决心将常考必会的知识点以通俗易懂的方式设立专栏进行讲解，努力做到长期更新。此专栏不求甚解，只追求应付一般面试。希望该专栏羽翼渐丰之日，可以为大家免去寻找资料的劳累。每篇介绍一个知识点，没有先后顺序。想了解什么知识点可以私信或者评论，如果重要而且恰巧我也能学会，会尽快更新。最后，每一个知识点我会参考很多资料。考虑到简洁性，就不引用了。如有冒犯之处，联系我进行删除或者补加引用。在此先提前致歉了！
全连接层大家都比较了解
这篇博客以问答形式作为查缺补漏和进一步理解
全连接层的位置？
神经网络的最后几层
全连接层的输出会使用激活函数进行激活
通常会有多个全连接层相连
全连接层的作用？
转换特征维度
如2048个神经元的全连接层与1000个神经元的全连接层相连
就将2048维的特征转换为了1000维的特征
在CNN中将特征图转换为向量
在CNN中将特征图位置关系打破
不受图像空间位置影响，对空间变化具有鲁棒性
不过这也导致无法进行图像分割
多个全连接层相连，实现了特征的组合
换句话说，下一个全连接层将上一个全连接层的输出（特征）进行组合
形成了更具有表征意义的特征
这也是进一步增强非线性、提升模型解决复杂问题能力的体现
实现分类
比如1000分类
全连接层将特征转换为1000x1的向量
1000x1的向量经过softmax就可以输出每一个类别的概率
全连接层的计算？
以下分析暂时不考虑激活函数
3维全连接层x–>2维全连接层y：
y1=w11*x1+w21*x2+w31*x3+b1
y2=w12*x1+w22*x2+w32*x3+b2
卷积层–>全连接层：
全连接层的参数？
宽度：每个全连接层的神经元个数
深度：全连接层的层数
两者变大
提升模型复杂度，增强非线性
训练成本增加，容易过拟合
两者变小
模型能力下降
全连接层参数量巨大
神经网络的大部分训练参数都是全连接层的
结合这个，想象一下4096维到1000维的全连接层的参数量：
3维全连接层x–>2维全连接层y：
y1=w11*x1+w21*x2+w31*x3+b1
y2=w12*x1+w22*x2+w32*x3+b2
完
欢迎讨论 欢迎吐槽
