卷积神经网络

Question

大家好:关于CNN的工作原理，我有一个非常基本的问题。

我完全理解训练过程中的一堆图像，从随机滤波器开始，旋转，激活，计算损失，反向传播和学习权重。完全理解。

但是一旦训练完成，最后的卷积层就有了最复杂和最完整的特征，比如脸、耳朵、轮子和这样的过滤器，它们可以被全部特征激活。

如果是这样的话，在测试期间，我们是否需要再次通过所有的层传递我们的图像？为什么我们不把我们的图像转移到最后一个卷积层，看看这些复杂的特征过滤器有多少被激活了呢？然后把它传递到完全连接的层上进行分类？

我知道可能有不一致的层次和输入，但除了其他更重要的？

Answer 1

为什么我们不把我们的图像转移到最后一个卷积层，看看这些复杂的特征过滤器有多少被激活了呢？

答案是，所有的层都完全依赖于前一层的确切特性。最后一层根本无法将原始图像作为输入并输出有意义的值。很可能它甚至无法适应输出的形状，它需要几十个通道，其中一个彩色图像只有3个。如果你以某种方式强迫它适应，那么彩色图像数据对它来说是毫无意义的。它可能仍然是为了输出某种东西，但它本质上是胡言乱语，与预期的结果无关。

每一层都是前一层的函数。忽略卷积的细节，神经网络本质上是多个函数的组合(例如，我们称它们为$f、g、h、i、j$ )，以便：

$$y =j(i(h(g(f(X)$$

您实际上是在这里询问，您是否可以只执行$y = j(x)$，而不是按顺序运行所有这些函数。答案是否定的。