卷积层和池化层的作用 卷积神经网络（cnn）中为什么要有池化层？
卷积神经网络（cnn）中为什么要有池化层？主要有三点：还有像Max pooling这样的非线性转换，可以提高网络功能的性能。卷积神经网络为什么最后接一个全连接层？在基本的CNN网络中，全连接层的作用是
卷积神经网络（cnn）中为什么要有池化层？
主要有三点：
还有像Max pooling这样的非线性转换，可以提高网络功能的性能。
卷积神经网络为什么最后接一个全连接层？
在基本的CNN网络中，全连接层的作用是将图像特征图中的特征通过多个卷积层和池化层进行融合，得到图像特征的高层含义，然后用它进行图像分类。
在CNN网络中，完全连接层将卷积层生成的特征映射映射到具有固定长度的特征向量（通常是输入图像数据集中的图像类别数）。特征向量包含输入图像中所有特征的组合信息。该特征向量虽然丢失了图像的位置信息，但保留了图像中最具特征的特征，完成了图像分类的任务。从图像分类任务的角度来看，计算机只需确定图像的内容，计算输入图像的具体类别值（类别概率），输出最有可能的类别即可完成分类任务。