Yanıtlar:
Evrişimsel katmanlardan elde edilen veriler, verilerdeki üst düzey özellikleri temsil eder. Bu çıktı düzleştirilip çıktı katmanına bağlanabilirken, tamamen bağlı bir katman eklemek, bu özelliklerin doğrusal olmayan kombinasyonlarını öğrenmenin (genellikle) ucuz bir yoludur.
Esasen kıvrımlı katmanlar anlamlı, düşük boyutlu ve biraz değişmez bir özellik alanı sağlar ve tam olarak bağlı katman o alanda (muhtemelen doğrusal olmayan) bir işlevi öğrenir.
NOT: FC katmanlarından Conv katmanlarına dönüştürmek önemsizdir. Bu üst FC katmanlarını Conv katmanlarına dönüştürmek, bu sayfada açıklandığı gibi yardımcı olabilir .
Ben bu cevabı bulundu Anıl-Sharma üzerinde Quora'daki yararlı.
Tüm ağı (sınıflandırma için) iki kısma ayırabiliriz:
Özellik çıkarımı : SVM'ler gibi geleneksel sınıflandırma algoritmalarında, sınıflandırma işlemini yapmak için verilerden özellikler çıkarırdık. Evrişimsel katmanlar aynı özellik çıkarma amacına hizmet etmektedir. CNN'ler verilerin daha iyi temsil edilmesini sağlar ve bu nedenle özellik mühendisliği yapmamız gerekmez.
Sınıflandırma : Özellik çıkarıldıktan sonra verileri çeşitli sınıflara sınıflandırmamız gerekir, bu tamamen bağlı (FC) bir sinir ağı kullanılarak yapılabilir. Tamamen bağlanmış katmanlar yerine, SVM gibi geleneksel bir sınıflandırıcı da kullanabiliriz. Ancak genellikle modeli uçtan uca eğitilebilir hale getirmek için FC katmanları ekliyoruz.