为什么在最后一个softmax层之前移除完全连接的层后，卷积神经网络的精度会提高？
我设计了卷积神经网络（tf.Keras），该网络具有很少的具有不同核大小的并行卷积单元。然后，将该卷积层的每个输出结果馈送到另一个并行的卷积单元中。然后将所有输出串联起来。下一次展平完成。之后，我添加了完全连接的层，并连接到最终的softmax层进行多类分类。我对它进行了培训，并在验证测试中取得了良好的结果。
共有2个答案
消除密集层可以减少过度拟合的趋势。因此，只要模型的训练精度保持在高水平，您的验证损失应该会有所改善。或者，您可以添加一个额外的Dropout层。您还可以通过使用正则化器来减少过度拟合的趋势。相关文档在这里。
移除图层后，模型过度拟合训练集的可能性将降低。因此，通过使网络变浅，可以使模型对未知示例更加健壮，从而提高验证精度。
由于你的训练精度也在提高，这可能表明-
- 爆炸或消失渐变。您可以尝试使用仔细的权重初始化、适当的正则化、添加快捷方式或渐变剪裁来解决此问题
-
我正在强化学习训练无人机的自主导航。由于模拟环境和CNN:AlexNet，支持的问题是基于摄像头的自主导航。我想添加另外两个输入来优化导航：无人机的位置/方向和以3D矩阵形式移动的体积单位。神经网络的目的是预测无人机的下一步行动。 我想在卷积层之后添加这两个新输入，但我不知道如何集成它们。我打算展平3D矩阵，并在完全连接的层之前将其与位置/方向一起添加，但我不知道这是否是正确的方法。 整合这两种新
-
我正在构建一个卷积神经网络，它将包含一定数量的卷积和池层。问题是，我想在特征提取步骤（卷积池）之后添加一些额外的输入。 这个额外的输入将被添加到扁平化的特征映射（全连接层的第一层）。我想问一下是否有任何留档来实现这个，在tenorflow或（如果我幸运的话）在keras中。提前谢谢你，祝你愉快。
-
是否有方法按层（而不是端到端）训练卷积神经网络，以了解每一层对最终架构性能的贡献？
-
例如，有一个3乘3的图像， 有两个2x2滤波器的卷积神经网络卷积图像 最后，输出的维是2x2x2 我可以将上述程序视为以下内容吗？ 由于2x2过滤器，在整个图像上滑动后，我得到了4个小图像 并使用这4幅小图像作为全连接神经网络的输入 最后我也能得到8个输出 我真的不知道CNN中的反向传播，所以我试图从经典的全连接神经网络中理解它。 通过输入一幅小图像，我们可以一次性更新全连接神经网络中的权重，这与
-
我对他们有严重的怀疑。任何人都可以举例说明和一些想法。
-
本文向大家介绍全连接层和卷积层的作用？相关面试题，主要包含被问及全连接层和卷积层的作用？时的应答技巧和注意事项，需要的朋友参考一下 全连接层是起到一个分类器的作用，卷积层是用来提取某些特征的层，参数量相对小很多，起到特征工程的作用，感受视野，将欲提取之外的数据的影响减弱，增强需要提取特征的那部分数据的影响