为什么可以用CNN代替FC？
- 空间结构信息：CNN通过卷积操作保留了输入数据的空间结构信息，这对于图像等数据非常重要。而FC则会忽略这种空间结构信息，将所有输入展平处理。
- 参数共享：CNN由于其权值共享的特性，参数数量远少于FC。这使得CNN在处理大规模高维数据时，如图像，更具优势。
- 平移不变性：CNN具有平移不变性，即无论目标物体在图像中的位置如何移动，CNN都能有效地识别出来。而FC则不具备这种性质。
卷积神经网络的参数量怎么计算？
卷积神经网络（Convolutional Neural Network，CNN）的参数量计算涉及到卷积层、池化层和全连接层等不同类型的层。以下是一些常见层的参数计算方法：
卷积层（Convolutional Layer）： 对于一个卷积层，参数数量取决于卷积核的大小、输入通道数（输入特征图的深度）和输出通道数（卷积核的数量）。 参数数量 = 卷积核大小（WH） * 输入通道数 * 输出通道数*。
池化层（Pooling Layer）： 池化层没有需要学习的参数，因此在计算网络总参数时通常不考虑池化层的参数。
全连接层（Fully Connected Layer）： 对于全连接层，参数数量取决于前一层的输出大小和全连接层的节点数。 参数数量 = 前一层输出大小 * 当前层节点数。
下面是一个简单的例子，假设有一个CNN模型，包含一个卷积层、一个池化层和一个全连接层。
卷积层：卷积核大小为3x3，输入通道数为3，输出通道数为64。
池化层：使用2x2的最大池化。
全连接层：前一层的输出大小为256，当前层节点数为128。
计算方法如下:
- 卷积层参数数量：333*64=1728(未使用偏置)
- 池化层没有参数
- 全连接层参数数量：256*128=32768总参数数量:1728+0+32768=34496 (未使用偏置)
总参数数量：1728 + 0 + 32768 = 34496
卷积层特征图尺寸计算公式
卷积层特征图尺寸的计算公式可以通过以下几个参数来确定：
- 输入尺寸(w)：输入特征图的宽度或高度
- 卷积核尺寸(K)：卷积核的宽度或高度。
- 步幅(s)：卷积核在输入上的滑动步幅,
- 零填充(P)：在输入的周围添加零值的层数，以控制输出尺寸。
卷积层特征图的尺寸可以通过以下的公式计算：输出尺寸=|(W-K+2P)/S]+1
这个公式描述了卷积操作如何影响输入特征图的尺寸。简而言之，卷积操作通过卷积核在输入上滑动，每次滑动的步幅由s法定，同时通过零填充P来控制输出的尺寸。这有助于确保输出尺寸适合后续层的处理。
