All corrections
zh.wikipedia.org/wiki/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
1 correction found
1
Claim
卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。
Correction
这句话把 CNN 说得过于绝对了。许多知名 CNN 并不一定有“顶端全连接层”，也不一定包含池化层。
Full reasoning
这句话把一种常见的早期/经典 CNN 设计说成了 CNN 的通用定义，因此会误导读者。
- 全连接层并非 CNN 的必备组成部分。 原始的 Network In Network 论文明确写道，它们在分类层中使用 global average pooling，并说明这比“traditional fully connected layers”更容易解释、也更不易过拟合。也就是说，CNN 可以不用顶端的全连接层。
- 池化层也并非必需。 Striving for Simplicity: The All Convolutional Net 明确指出，max-pooling 可以被 increased stride 的卷积层替代，并提出了一个**“consists solely of convolutional layers”** 的 CNN 架构。
因此，更准确的说法应当是：许多经典 CNN 常常包含卷积层、激活层、池化层以及分类头（可能是全连接层），但这些并不是所有 CNN 都必须具备的固定组件。
2 sources
- Network In Network
With enhanced local modeling via the micro network, we are able to utilize global average pooling over feature maps in the classification layer, which is easier to interpret and less prone to overfitting than traditional fully connected layers.
- Striving for Simplicity: The All Convolutional Net
We find that max-pooling can simply be replaced by a convolutional layer with increased stride ... we propose a new architecture that consists solely of convolutional layers.