जवाबों:
दृढ़ परतों से आउटपुट डेटा में उच्च-स्तरीय विशेषताओं का प्रतिनिधित्व करता है। हालांकि उस आउटपुट को चपटा किया जा सकता है और आउटपुट लेयर से कनेक्ट किया जा सकता है, पूरी तरह से कनेक्टेड लेयर को जोड़ना (आमतौर पर) इन विशेषताओं के गैर-रेखीय संयोजनों को सीखने का सस्ता तरीका है।
अनिवार्य रूप से दृढ़ परतें एक सार्थक, निम्न-आयामी और कुछ हद तक अपरिवर्तनीय सुविधा स्थान प्रदान कर रही हैं, और पूरी तरह से जुड़ी परत उस स्थान में एक (संभवतः गैर-रैखिक) कार्य सीख रही है।
नोट: यह FC परतों से रूपांतरण परतों में परिवर्तित करने के लिए तुच्छ है। इन शीर्ष FC लेयर्स को कन्वर्सेशन लेयर्स में बदलना इस पृष्ठ के अनुसार सहायक हो सकता है ।
मुझे यह जवाब अनिल-शर्मा द्वारा क्वोरा सहायक पर मिला।
हम पूरे नेटवर्क को (वर्गीकरण के लिए) दो भागों में विभाजित कर सकते हैं:
फ़ीचर निष्कर्षण : पारंपरिक वर्गीकरण एल्गोरिदम में, एसवीएम की तरह, हम वर्गीकरण का काम करने के लिए डेटा से सुविधाएँ निकालते थे। कन्वेन्शनल लेयर्स सुविधा निष्कर्षण के समान उद्देश्य की सेवा कर रहे हैं। CNN डेटा के बेहतर प्रतिनिधित्व पर कब्जा करते हैं और इसलिए हमें फीचर इंजीनियरिंग करने की आवश्यकता नहीं है।
वर्गीकरण : फीचर निष्कर्षण के बाद हमें डेटा को विभिन्न वर्गों में वर्गीकृत करने की आवश्यकता है, यह पूरी तरह से जुड़ा हुआ (एफसी) तंत्रिका नेटवर्क का उपयोग करके किया जा सकता है। पूरी तरह से जुड़े परतों के स्थान पर, हम एसवीएम जैसे पारंपरिक क्लासिफायरियर का भी उपयोग कर सकते हैं। लेकिन हम आम तौर पर मॉडल को एंड-टू-एंड ट्रेन बनाने के लिए एफसी परतों को जोड़ते हैं।