1. 卷積神經網路為什麼最後接一個全連接層
在常見的卷積神經網路的最後往往會出現一兩層全連接層，全連接一般會把卷積輸出的二維特徵圖（feature map）轉化成（N*1）一維的一個向量
全連接的目的是什麼呢？因為傳統的端到到的卷積神經網路的輸出都是分類（一般都是一個概率值），也就是幾個類別的概率甚至就是一個數--類別號，那麼全連接層就是高度提純的特徵了，方便交給最後的分類器或者回歸。
但是全連接的參數實在是太多了，你想這張圖里就有20*12*12*100個參數，前面隨便一層卷積，假設卷積核是7*7的，厚度是64，那也才7*7*64，所以現在的趨勢是盡量避免全連接，目前主流的一個方法是全局平均值。也就是最後那一層的feature map（最後一層卷積的輸出結果），直接求平均值。有多少種分類就訓練多少層，這十個數字就是對應的概率或者叫置信度。
最簡單的，重做系統，估計是你把網卡的相關東東改了，造成網卡驅動不對了。
3. 全連接神經網路和傳統bp網的區別
?
一個是表示各層連接方式，一個表示訓練方式。沒有什麼可比性。
4. 什麼是全連接神經網路怎麼理解「全連接」
1、全連接神經網路解析：對n-1層和n層而言，n-1層的任意一個節點，都和第n層所有節點有連接。即第n層的每個節點在進行計算的時候，激活函數的輸入是n-1層所有節點的加權。
2、全連接的神經網路示意圖：
3、「全連接」是一種不錯的模式，但是網路很大的時候，訓練速度回很慢。部分連接就是認為的切斷某兩個節點直接的連接，這樣訓練時計算量大大減小。
5. 為什麼在卷積神經網路中全連接層4096維特徵向量
通常為了計算的優化等緣故，維度一般取2的指數。
全連接層後續計算loss，總共類別應該會有上千類，所以之前的layer最好也是1000這種規模，所以一般取1024,2048,4096等。
通過在數據集上進行測試，可以跑出來一個結果比較好的網路結構
6. 電腦網路連接全連上了
大經小怪、
大經小怪、
大經小怪、
大經小怪、
大經小怪、
大經小怪、
7. 什麼是資源受限型全互連網路
全連接網路本質上是把所有的輸入與輸出連接起來的單個交換機。其直徑是1個鏈路，度數為N。交換機的失效將使整個網路不復存在；但是，一條鏈路的失效只會丟失一個節點。這樣的網路的一個例子是簡單的匯流排，我們可以利用它來作為描述這種網路基本特徵的參考點，它的一個良好的性質是其成本隨規模的擴展按0(N)上升。不幸的是,匯流排上同時只發生一次數據傳輸，所以整個帶寬是O(1)，對分帶寬也是如此。事實上，帶寬的擴展比O(1)還差，因為隨著埠的增加，RC延遲使得匯流排的時鍾頻率下降。(乙太網實際上萬畫是一個位串連的分布匯流排；它的工作頻率足夠低，從而允許大量的物理連接。)另一種全連接的網路是交叉開關。它提供O(N)的帶寬，但是互連的成本和交叉點的數量成正比，或者說0(N2 )。在這兩種情況下，全連接網路實際上都不是可擴展的。這並不等於說它們不重要。獨立的交換機內部通常是全連接的，為更大的網路提供了基本的構造模塊，網路技術進步的一個關鍵指標是效能成本合算的交換機的度。隨著VLSI晶元密度的上升，能夠被一個有著效能成本合算的交換機全連接的節點的數量正在上升。
8. 由n個結點構成的星型拓撲網路中，共有多少個直接連接對於環形網路呢全連接的網狀網路呢
全連接拓撲結構相當於一個完全圖,直接連接數等於完全圖邊數.因此應該為N*(N-1)/2