为何含有全连接层的网络,需要固定输入图片大小?

weixin_28747217 2021-12-09 15:55:22

为何含有全连接层的网络,需要固定输入图片大小? 

...全文
2177 1 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
weixin_38498942 2021-12-09
  • 打赏
  • 举报
 回复

对于预训练好的网络来说，权重矩阵W^{l}的形状是固定的，如果输入图片大小不一样，那么全连接层之前的feature map也不一样，因此在全连接层就无法计算权重W^{l}和上一层输出a^{l-1}的乘积， 所以输入图像的大小必须是固定的。

为何含有全连接层的网络，需要固定输入图片大小？
前言 在图像识别，目标检测等任务中经常用到预训练的模型，比如在VGG16模型结构（除去最后一层）的基础上加上多个softmax层用来分类。在SSD中用预训练的VGG16和ResNet50作为特征提取层。   当你用到包含全连接层的预训练模型时，就需要固定固定输入图片的大小。 池化层需要经过Flatten压扁之后，才能和全连接成相连。 如上图，经过最后一个池化层和Flatten后的输出...
为何含有全连接层的网络，需要输入图片有固定尺寸？
全连接层的前向传播是当前层的权重和上一层输出的乘积，再加上偏置量，公式表达就是 对于预训练好的网络来说，权重矩阵的形状是固定的， 以vgg16,512*7*7的特征输入为例，这个特征图进入全连接层之后就会被flatten成一个（25088，1）的向量，因此（500,25088）x（25088，1） ===> 输出矩阵的shape:(500,1) 对于预训练好的网络来说，权重矩阵...
对含有全连接层的网络输入数据大小固定问题的理解
含有全连接层的网络输入数据的大小应该是固定的，这是因为全连接层和前面一层的连接的参数数量需要事先确定，不像卷积核的参数个数就是卷积核大小，前层的图像大小不管怎么变化，卷积核的参数数量也不会改变，但全连接的参数是随前层大小的变化而变的，那么在初始化模型的时候就得先把网络固定死。但是，但是，但是，全连接的实现可以通过卷积的方式进行，这就可以不用固定输入数据的大小了。这里有两种情况： 前层为卷积层或...
为什么全连接层要固定输入尺寸
神经网络通常是按层级组织的，每一层的输出尺寸对下一层的输入尺寸有着严格的要求。因此，为了保持模型的可训练性、参数数量的一致性和网络结构的稳定性，全连接层通常需要固定输入尺寸。1. 难以处理不同大小的输入：如果输入尺寸在每次训练时都不同，那么每个训练样本都需要一个新的权重矩阵。2. 参数数量不一致：固定输入尺寸可以确保权重矩阵的大小是固定的，从而使得模型的参数数量保持一致。在全连接层中，每个神经元都连接到上一层的所有神经元，这意味着每个神经元都有一个与之对应的权重。权重矩阵的维度由输入和输出的大小决定。
为什么有全连接层的卷积网络输入图片尺寸需要固定的
一句话： 全连接层的一个神经元对应一个输入。 换句话说， 全连接层要求固定的输入维度。
高通开发者论坛

2,852

社区成员

5,758

社区内容

发帖
与我相关
我的任务
社区描述
本论坛以AI、WoS 、XR、IoT、Auto、生成式AI等核心板块组成，为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页：https://qualcomm.csdn.net/
人工智能物联网机器学习 技术论坛（原bbs） 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章