瓶颈功能是什么？

在博客文章使用很少的数据构建强大的图像分类模型中，提到了瓶颈功能。瓶颈功能是什么？它们会随着使用的体系结构发生变化吗？它们是全连接层之前的卷积层的最终输出吗？他们为什么这样称呼？

在博客文章使用很少的数据构建强大的图像分类模型中，提到了瓶颈功能。瓶颈功能是什么？

它清楚地写在您给VGG16模型提供的“瓶颈特征”的链接中：最后一次激活映射在完全连接的层之前。

它们会随着使用的体系结构发生变化吗？

当然。作者最有可能使用了预先训练的模型（对大数据进行训练，现在仅用作特征提取器）

它们是全连接层之前的卷积层的最终输出吗？

是。

他们为什么这样称呼？

给定VGG的输入大小，每次最大池操作后，HxW尺寸的特征图将变小两倍。HxW在最后一个卷积层上最小。

首先，我们需要谈谈转移学习。想象一下，您在图像数据集中训练了一个神经网络来检测猫，那么您可以使用一部分训练来进行另一次检测。这就是所谓的转移学习。

要进行转移学习，您将从模型中删除最后一个完全连接的层，然后将其插入那里。“截断的”模型输出将是将填充“模型”的功能。这些是瓶颈功能。

VGG16是ImageNet目录上的预训练模型，具有非常好的准确性。在您分享的帖子中，使用该模型作为基础来更准确地检测猫和狗。

瓶颈功能取决于型号。在这种情况下，我们使用的是VGG16。还有其他预训练模型，例如VGG19，ResNet-50

就像您要切割模型并添加自己的图层一样。主要是输出层决定您要检测的内容，即最终输出。