一、啄雲智能電話面試
Q1: 全連接層與卷積層的區別
我沒有答上來。 課後補習：
卷積提取的是局部特徵，而全連接及時把以前的局部特徵通過權重矩陣組成完整的圖。
（1）全連接層：
****全連接層也是一種卷積層；相當於他的卷積核大小跟特徵圖大小一樣， 缺點是參數很多（全連接層參數可以站短到整個網絡參數的80%）。因爲普通的卷積的滑動窗口只有一個小滑窗那麼大，但是全連接層的卷積核與特徵圖一樣大，所以導致網絡參數非常多。
全連接層中的每個神經元與前一層中的所有神經元進行全連接，用來把前面所提取的所有特徵都綜合起來。
優點是：大大減少特徵位置對分類結果產生的影響。（不管物體在圖中的哪個位置都能夠找得到，不受位置空間的影響。最後得到的結果如果比較大就說明有物體在，如果值比較小就說明沒有物體存在。
全連接不適合用來分割，只適合解決分類問題。）
分類任務中，在全連接層中紅色的神經元表示這個特徵被激活了，其他的神經元要不然是特徵不明顯，要不然是沒找到。
全連接層需要將輸入拉成一個列向量。如果說輸入的feature map 是一個2*2，則需要把這個feature map 拉成4*1的列向量；
如果說feature map的channel是3， 則輸入大小是3*2*2，拉成列向量後就爲12*1，相當於有12個像素點。
這時，如果再乘以一個權重，則這個權重的形式應該是1*12，所以經過一個全連接層後最後的輸出就是（1*12）x（12*1）=1*1.
這時就需要看需要多少個神經元了，如果是需要5個神經元的話，那麼輸出就是5*（（1*12）x（12*1））=5*（1*1）。這個權重矩陣中的3代表3行（3個權重矩陣），也就是每一行與輸入相乘，得到一個輸出：
全連接層對模型參數的影響有三個：
1、全連接層的總層數（長度）
2、單個全連接層的神經元個數（寬度）
3、激活函數
其中，激活函數的作用是：增加模型的非線性表達能力。
（二）卷積層：
conv： 1.相當於一個特徵提取器來提取特徵
2.提供了位置信息
3.減少了參數個數