Python 卷积神经网络中展平（）层和稠密（）层的区别是什么？
我对他们有严重的怀疑。任何人都可以用例子和一些想法来详细说明。顾名思义，展平，将多维矩阵（Batch.Size x Img.W x Img.H x Kernel.Size）转换为一个漂亮的二维矩阵：（Batch.Size x（Img.W x Img.H x Kernel.Size））。在反向传播期间，它还会将大小增量（Batch.size x（Img.W x Img.hx Kernel.size））转换回原始值（Batch.size x Img.W x Img.hx Kernel.size）Python 卷积神经网络中展平（）层和稠密（）层的区别是什么？,python,machine-learning,neural-network,deep-learning,conv-neural-network,Python,Machine Learning,Neural Network,Deep Learning,Conv Neural Network,我对他们有严重的怀疑。任何人都可以用例子和一些想法来详细说明。顾名思义，展平，将多维矩阵（Batch.Size x Img.W x Img.H x Kernel.Size）转换为一个漂亮的二维矩阵：（Batch.Size x（Img.W x Img.H x Kernel.Size））。在反向传播期间，它还会将大小增量（Batch.size x（Img.W x Img.hx Kernel.size））转换回原始值（Batch.size x Img.W x Img.hx Kernel.size） 密
密集层当然是标准的完全连接层。顾名思义，扁平化将多维矩阵（Batch.Size x Img.W x Img.H x Kernel.Size）转换为一个漂亮的二维矩阵：（Batch.Size x（Img.W x Img.H x Kernel.Size））。在反向传播期间，它还会将大小增量（Batch.size x（Img.W x Img.hx Kernel.size））转换回原始值（Batch.size x Img.W x Img.hx Kernel.size）
致密层当然是标准的全连接层