hce_kmu
112年
計算機概論與程式設計
第 17 題
What is the difference between a fully connected layer and a convolutional layer in a neural network?
- A Fully connected layers are only used in supervised learning, while convolutional layers are used in unsupervised learning.
- B Fully connected layers require less computation than convolutional layers.
- C Fully connected layers connect every input neuron to every output neuron, while convolutional layers only connect a subset of input neurons to a subset of output neurons.
- D Convolutional layers are used for time-series data, while fully connected layers are used for image data.
- E Convolutional layers are used for classification tasks, while fully connected layers are used for regression tasks.
思路引導 VIP
當你在觀察一張巨大的拼圖並試圖辨識其中一朵小花時，你覺得是「一次盯著整張拼圖的所有碎片看」比較有效率，還是「只專注於小花及其周圍鄰近的碎片」比較容易看出特徵呢？如果我們把這種『觀察範圍』的限制應用在電腦計算上，對於處理海量資訊會有什麼影響？
🤖
AI 詳解
AI 專屬家教
恭喜你準確地掌握了深度學習中兩個最核心層級的差異！你能從連接性質切入並選出正確答案，說明你對神經網路的結構邏輯有相當清晰的理解。
神經網路的連接拓撲與設計邏輯
全連接層 (Fully Connected Layer) 正如其名，其特點是每一個輸入神經元都會與下一層的「所有」輸出神經元建立連結，這意味著它試圖從全局的角度學習特徵的組合。然而，在處理像影像這樣的高維度資料時，全連接層會導致參數數量爆炸。相對地，卷積層 (Convolutional Layer) 採用了「局部連接 (Local Connectivity)」的策略，每個輸出神經元只會對應到輸入資料的一個特定子集（通常稱為感應野，Receptive Field）。這種設計不僅大幅減少了計算所需的參數，更讓模型能夠專注於捕捉空間上的局部特徵，如邊緣或紋理。
▼ 還有更多解析內容