※ 引述《ChenXY (不差不歪 一插就歪)》之铭言： : 藉着这篇标题想请问CNN与FCNN的比较 : http://mnist-demo.herokuapp.com/ : 上方连结是分别用上述两种网路分辨手写数字0~9的试验 : 网页中提到CNN的准确率达99.2% 而FCNN只有91.8% : 实际测试虽然辨识度都不到9成 但CNN确实比较准 : 两者差别在CNN只有最後一层才fully connected : 查了一些资讯提到当图像尺寸较大时 : FCNN会有过多的完全连接浪费掉 : 而且快速累积的大量参数也会很快就导致过度配适 : 对於上述解释其实我不太有感受 : 想请教有没有比较直观的说法 : 可以解释为何CNN的辨识率会比FCNN还高呢？谢谢！ 原原po问的应该是Fully Convolutional Neural Network 而不是Fully Connected Neural Network 通常前者会简写为FCN，後者会简写为FNN FCN是拿来做pixel-wise classification用的，也就是segmentation 至於你说的问题，为何CNN在影像辨识会比FNN好 我给一点定性的说法： 人眼决定一个物体看起来像什麽是由物体的各个局部特徵决定 影像中的局部特徵如边、角、形状等等都是只由局部的像素构成 比如两个相邻的像素一个灰阶值255一个是0，那你就知道中间很可能有个edge 而相隔很远的两个像素通常不会给你什麽关键的资讯 CNN这种sliding window的方式正好给Network一个机会去学习怎麽提取影像的局部特徵 传统的影像处理上也常利用各种kernal function去对影像做Convolution 所以与FNN强迫把整张图的像素的联系在一起比较起来，CNN是更自然的作法 至於过度配适指的应该是over-fitting吧？ 这个比较一下FNN跟CNN的参数就知道了 MNIST是32*32=1024 假设第一层hidden-layer有100个neuron，这样光第一层就有102400个参数了 而CNN就算来100个3*3的的kernel也才900个参数 自然就不容易over-fitting了 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 58.114.212.150 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1536596485.A.F63.html