全卷积和全连接

全连接网络和全卷积网络不一样

以下是对两者的正确解释和代码示例:


1. 全连接网络(Fully Connected Network)

全连接网络使用的是 线性层nn.Linear),也就是我们常说的"全连接层"。它是用于将每一个输入节点与输出节点直接连接的网络结构。

python 复制代码
import torch
import torch.nn as nn
import torch.nn.functional as F

class FullyConnectedNetwork(nn.Module):
    def __init__(self, input_size=128, hidden_size=64, output_size=10):
        super(FullyConnectedNetwork, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)  # 全连接层1
        self.fc2 = nn.Linear(hidden_size, hidden_size) # 全连接层2
        self.fc3 = nn.Linear(hidden_size, output_size) # 全连接层3

    def forward(self, x):
        x = F.relu(self.fc1(x))  # 激活函数
        x = F.relu(self.fc2(x))
        x = self.fc3(x)          # 输出层
        return x

# 测试
model = FullyConnectedNetwork()
input_data = torch.randn(32, 128)  # 输入为 (batch_size, 输入特征维度)
output = model(input_data)
print(output.shape)  # 输出形状: (32, 10)

这里的 nn.Linear 代表全连接层,每个神经元都与下一层的每个神经元直接相连。


2. 全卷积网络(Fully Convolutional Network)

全卷积网络则使用的是 卷积层nn.Conv2d),适用于图像或空间数据处理,不使用 nn.Linear。卷积层的好处在于可以捕获空间结构特征,同时能处理任意大小的输入。

以下是一个简单的全卷积网络示例:

python 复制代码
import torch
import torch.nn as nn
import torch.nn.functional as F

class FullyConvolutionalNetwork(nn.Module):
    def __init__(self):
        super(FullyConvolutionalNetwork, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, padding=1)  # 卷积层1
        self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, padding=1) # 卷积层2
        self.conv3 = nn.Conv2d(in_channels=32, out_channels=10, kernel_size=3, padding=1) # 卷积层3

    def forward(self, x):
        x = F.relu(self.conv1(x))  # 激活函数
        x = F.relu(self.conv2(x))
        x = self.conv3(x)          # 输出层
        return x

# 测试
model = FullyConvolutionalNetwork()
input_data = torch.randn(32, 3, 64, 64)  # 输入为 (batch_size, 通道数, 高, 宽)
output = model(input_data)
print(output.shape)  # 输出形状: (32, 10, 64, 64)

在这里,nn.Conv2d 代表卷积层,它通过卷积操作提取空间特征,适合处理图像类的输入数据。


总结

  • 全连接网络 :使用 nn.Linear(线性层),适合用于固定大小的输入,通常用于特征向量或结构化数据。
  • 全卷积网络 :使用 nn.Conv2d(卷积层),适合处理图像和空间数据,可用于任意大小的输入。
相关推荐
美狐美颜sdk7 分钟前
动态贴纸+美颜SDK的融合实现:底层架构与性能优化技术全解析
人工智能·深度学习·美颜sdk·第三方美颜sdk·美颜api
shelgi8 分钟前
Cursor结合MCP实现自动编写项目文档
人工智能·mcp
技术程序猿华锋13 分钟前
OpenAI最新的4o图像生成模型 gpt-image-1 深度解析:API KEY 获取、开发代码示例
人工智能
神经星星16 分钟前
【TVM教程】在 Arduino 上为 microTVM 训练视觉模型
人工智能·机器学习·编程语言
土豆125017 分钟前
实战指南:从通义千问与 DeepSeek 流式获取结构化面试问题 JSON
人工智能·llm
灏瀚星空36 分钟前
从基础到实战的量化交易全流程学习:1.1 量化交易本质与行业生态
人工智能·笔记·学习·数学建模·信息可视化
量子位1 小时前
o3 猜照片位置深度思考 6 分 48 秒全程高能,范围精确到 “这么近那么美”
人工智能·chatgpt
新加坡内哥谈技术1 小时前
野外价值观:在真实世界的语言模型互动中发现并分析价值观
人工智能·语言模型·自然语言处理
神仙别闹1 小时前
基于Java(JSP)+MySQL实现深度学习的音乐推荐系统
java·深度学习·mysql
好脾气先生1 小时前
[论文解析]Mip-Splatting: Alias-free 3D Gaussian Splatting
人工智能·计算机视觉·3d·三维重建