一般情况下，在全连接层之前，我们会把池化的feature map进行flatten，比如200个3x3，会拉成1800x1的列向量，而后如果设置了50个神经元，则系统会生成50个1x1800的矩阵跟你的feature map进行矩阵乘法运算

——>>> 50 x （1x1800x1800x1） ——>>> 变成一个50个元素的列向量

最后如果你要分成10类，则在最后的连接层设置10个神经元，即完成分类的全连接层设计等等

 

 

而全局池化（以平均池化为例），则完全抛弃全连接层，在无数个卷积以及池化层后，比如，最后我形成了200个3x3的feature map，但是我需要10个分类就行，则需要进行一次10个卷积核的卷积操作，形成10x3x3，然后进行全局平均池化。该过程会对每一个feature map进行求均值操作（也可以理解为一个与其等大的卷积核进行卷积），形成一个10个元素的列向量

 

 

这就是全连接层和全局池化的一点差异

 

Logo
脑启社区

脑启社区是一个专注类脑智能领域的开发者社区。欢迎加入社区，共建类脑智能生态。社区为开发者提供了丰富的开源类脑工具软件、类脑算法模型及数据集、类脑知识库、类脑技术培训课程以及类脑应用案例等资源。

更多推荐

Particle Swarm Optimization (PSO)

摘要： 大语言模型代表第二代AI技术，而近期Eon Systems基于LIF模型扫描并重构果蝇全脑，实现"数字大脑"，标志着第三代AI技术（类脑计算）即将爆发。本文结合粒子群优化（PSO）与脉冲神经网络（SNN）探索AI优化方法：PSO通过粒子群协作搜索最优解，其速度与位置更新依赖个体最优（pbest）和全局最优（

avatar 脑启社区
cover

面向逻辑思维的程序设计方法——类脑大模型大脑听觉五个子网联合处理设计

avatar 脑启社区

从“大脑的神经机制”到一套临界性意识理论的完整构建（一）

本文探讨神经机制与意识涌现的关系，聚焦全局工作空间理论（GWT）与整合信息理论（IIT）的互补与冲突，揭示意识或为多重动态过程在不同时间尺度上的融合。通过分析神经振荡、自组织临界态及信息处理的非线性特性，指出大脑如一张自我编织的动态之网，其智能源于局部因果整合与全局信息广播的协同。类脑模型虽模仿结构复杂性，却缺乏生物约束与真实因果整合，难以复制意识特征。研究建议以“临界态”作为统一物理基础，推动对

avatar 脑启社区