大家好：关于 CNN 的工作原理，我有一个非常基本的问题。
我完全理解训练过程是拍摄一堆图像，从随机过滤器开始，卷积，激活，计算损失，反向传播和学习权重。完全明白。
但是一旦训练完成，最后一个卷积层就具有最复杂和最完整的特征，例如面部、耳朵、轮子和可以被完整特征激活的过滤器。
如果是这样，在测试期间，我们是否需要将图像再次通过所有层？为什么我们不将我们的图像与最后一个卷积层进行卷积，看看有多少这些复杂的特征过滤器被激活？并将其传递给全连接层进行分类？
我知道层和输入中可能存在不一致，但除了更重要的之外？
为什么我们不将我们的图像与最后一个卷积层进行卷积，看看有多少这些复杂的特征过滤器被激活？
答案是所有层都完全依赖于前一层的确切特征。最后一层根本无法将原始图像作为输入并输出有意义的值。很可能它甚至无法适应输出的形状，它需要几十个通道，而彩色图像只有 3 个。如果你以某种方式强迫它适应，那么彩色图像数据对它。它可能仍然会输出一些东西，但它本质上是胡言乱语，与期望的结果无关。
每一层都是前一层的函数。忽略卷积的细节，神经网络本质上是多个函数的组合（例如，我们称它们为），因此：
您本质上是在这里问，您是否可以只执行而不是按顺序运行所有这些函数。答案是否定的。