我有点理解我们如何根据cs231n转换完全连接到卷积层：
FC-> CONV转换 . 在这两次转换中，将FC层转换为CONV层的能力在实践中特别有用 . 考虑采用224x224x3图像的ConvNet架构，然后使用一系列CONV层和POOL层将图像缩小为7x7x512的激活卷（在我们稍后将看到的AlexNet架构中，这是通过使用5个汇集层，每次在空间上对输入进行下采样，使最终空间大小为224/2/2/2/2/2 = 7） . 从那里开始，AlexNet使用两个大小为4096的FC层，最后使用1000个神经元来计算类别得分 . 如上所述，我们可以将这三个FC层中的每一个转换为CONV层：...
然而，我正在使用完全卷积回归网络来预测密度图，在他们对架构的描述中，他们声称从12x12x128到12x12x512的中间层（例如顶行，A和B只是两个不同的模型）是完全连接但实现为卷积：
我不明白的是，在cs231n中，卷积实现的输出应该是一个维数为1x1x4096的向量，本文如何将FC作为卷积实现的输出维度如12x12x512？
2 回答
第二种情况不是
FC. 对于完全连接层的卷积表示，卷积内核应具有与输入相同的形状 . 在cs231的情况下，输入是7x7x512与形状7x7x512的内核进行卷积，并且有这样的内核，所以我们得到1x1x4096作为输出 . 在第二种情况下，它只是正常的卷积：12x12x128与3x3x128内核（带填充）进行卷积，并且有512这样的内核给出了大小为12x12x512的输出 .你是对的，这很令人困惑 . 他们标记的层实际上是
1x1卷积层 . 我认为这些术语的选择是由这些_628164层在空间上最小的事实引导的 .或者，换句话说，如果你从带有FC层的回转网站开始，将其转换为纯卷积网，如上所述，然后在空间上扩展其输入，你以前的FC层看起来就像上面的“FC”层：它们对应于空间维度最小的图层 .