卷积核为什么是4096

CNN卷积层、全连接层的参数量、计算量

1、CNN卷积层、全连接层的参数量、计算量卷积层的参数量卷积层参数量的核心在于卷积核（filter）。每个卷积核包含多个参数，具体数量取决于卷积核的大小（filter size）和前一层特征图的通道数。卷积层的总参数量则是所有卷积核参数量的总和，再乘以当前层的卷积核（filter）数量。

2、其他层激活层和pooling层的FLOPs通常近似等于其所在层神经元个数，相对于卷积层的FLOPs可忽略不计，且不计参数。全连接层（FC层）的参数量为输入神经元个数乘以输出神经元个数，FLOPs为参数量的两倍（因为每次乘法后都需要一次加法来计算偏置项）。

3、全连接层参数量：全连接层的参数量由输入和输出神经元数量决定。计算公式为 输入神经元数量 * 输出神经元数量 + 输出神经元数量（如果考虑偏置项）。计算量（FLOPs）卷积层FLOPs：卷积层的计算量包括乘法和加法操作。

全卷积的概念(FCN)

1、所有的层都是卷积层，故称为全卷积网络。 简单来说，就是将 CNN中的fc（全连接）层换成了卷积层 ，网络结构中不在具有fc层。

2、全卷积网络（Fully Convolutional Networks，FCN）是一种用于图像语义分割的深度学习模型。它通过将传统卷积神经网络（CNN）中的全连接层替换为卷积层，实现了对任意尺寸输入图像的像素级分类。

3、全卷积网络（FCN）将卷积神经网络应用于图像像素级别的变换，实现从图像像素到像素类别的转换。与传统卷积神经网络不同，全卷积网络通过转置卷积层调整中间层特征图的大小，使其与输入图像在空间维度（高和宽）上匹配。每个空间位置的通道输出代表对应像素的类别预测。转置卷积层基于矩阵转置的概念实现。

4、全卷积网络（Fully Convolutional Networks，FCN）是UC Berky的Jonathan Long等人于年在Fully Convolutional Networks for Semantic Segmentation一文中提出的用于图像语义分割的一种框架。虽然已经有很多文章介绍这个框架，我还是希望在此整理一下自己的理解。

5、FCN的核心在于，它不再依赖于全连接层进行分类，而是通过反卷积层将卷积层的特征图恢复到原始图像尺寸，对每个像素进行逐个预测，从而解决了语义级别的图像分割问题。传统CNN的结构是，卷积层后接全连接层，以固定长度的特征向量表示整个图像的类别概率。

6、FCN，即全卷积网络，是一种没有全连接层的深度学习模型，专注于图像处理任务。相比传统的卷积神经网络，FCN的一大特点是没有全连接层，这使得它在处理不同大小的输入图像时具有更强的适应性，无需调整模型大小。从图像分类网络转变为分割网络的关键在于去掉全连接层，将分类转化为对图像中每个像素的分类。