北斗卷积神经网络（五）

从9X9，到2X2，看起来我们已经做了很多事情了哎！似乎胜利就在前方啦(ง •_•)ง

等一下，想想我们最初和最终的目的到底是什么？是对这张照片进行识别，识别它到底是X还是O呢（其实也算是对它进行一个二分类）。那我们现在得到的是什么？是一个2X2的矩阵，好像和分类并没有什么毛线关系啊。

别急。全连接层要做的，就是对之前的所有操作进行一个总结，给我们一个最终的结果。

全连接层，顾名思义就是全部都连接起来，让我们把它与卷积层对比起来看。

这么说来的话前面的卷积层肯定就不是全连接了，没错，卷积层采用的是“局部连接”的思想，回忆一下卷积层的操作，是用一个3X3的图与原图进行连接操作，很明显原图中只有一个3X3的窗口能够与它连接起来。（我看出了4个，不过不影响理解）

还是回来看接下来的操作，得到了3个2X2的特征图后，在全连接层中有一个非常重要的函数----Softmax，它是一个分类函数（也是一种激活函数），输出的是每个对应类别的概率值。比如：【0.5，0.03，0.89，0.97，0.42，0.15】就表示有6个类别，并且属于第四个类别的概率值0.97最大，因此判定属于第四个类别。（这六个概率值之和应该等于1，不过不影响理解。）

全连接层接受来自卷积层或池化层或激活层（都行）的输入，输出N个数。N是所有类别的总数，对于本问题来说N=2，即X或O。输出数是属于某个类别的概率，概率之和为1。据此就可以判断这张图片属于哪个类别的概率最大。

注意:本例中因为只有两个类别X和O，而且数据量到此已经非常少了，因此直接将三个特征图改变维度直接变成一维的数据。变成了普通的神经网络，参见本公众号历史文章“AI赋能科学算命”。

展开的数据即为属于类别X的概率值，值大小也在对应X的线条粗细中表现出来了，再用Softmax函数计算X分类总概率。

以上所有的操作都是对标准的原图X来进行的，因此最终分类显示即为X毋庸置疑。

假设对一张看起来并不标准的图进行分类。如下

对于进行一系列操作后，假设得到的概率值如下所示：

0.9表示极其大可能是X，那么O就是0.1了。因此对应到X的黄色线条比对应到O的绿色线条要粗很多很多。

我们对结果进行统计分析后可判断这张图片里的字母为X。