卷積神經(jīng)網(wǎng)絡（cnn）中為什么要有池化層？主要有三點：還有像Max pooling這樣的非線性轉換，可以提高網(wǎng)絡功能的性能。卷積神經(jīng)網(wǎng)絡為什么最后接一個全連接層？在基本的CNN網(wǎng)絡中，全連接層的作用是

卷積神經(jīng)網(wǎng)絡（cnn）中為什么要有池化層？

主要有三點：

還有像Max pooling這樣的非線性轉換，可以提高網(wǎng)絡功能的性能。

卷積神經(jīng)網(wǎng)絡為什么最后接一個全連接層？

在基本的CNN網(wǎng)絡中，全連接層的作用是將圖像特征圖中的特征通過多個卷積層和池化層進行融合，得到圖像特征的高層含義，然后用它進行圖像分類。

在CNN網(wǎng)絡中，完全連接層將卷積層生成的特征映射映射到具有固定長度的特征向量（通常是輸入圖像數(shù)據(jù)集中的圖像類別數(shù)）。特征向量包含輸入圖像中所有特征的組合信息。該特征向量雖然丟失了圖像的位置信息，但保留了圖像中最具特征的特征，完成了圖像分類的任務。從圖像分類任務的角度來看，計算機只需確定圖像的內(nèi)容，計算輸入圖像的具體類別值（類別概率），輸出最有可能的類別即可完成分類任務。