为什么CNN以FC层结尾？

据我了解，CNN由两部分组成。第一部分（转换/池层）进行特征提取，第二部分（fc层）对特征进行分类。

由于完全连接的神经网络不是最佳分类器（即，大多数情况下它们的性能优于SVM和RF），因此CNN为什么以FC层作为结束，而不是说SVM或RF？

这不是那么简单。首先，从某种意义上说，SVM是一种神经网络（您可以通过反向传播学习SVM解决方案）。请参阅什么是人工神经网络？。其次，您无法事先知道哪种模型会更好，但是事情是通过完全神经形态的架构，您可以端到端地学习权重，而将SVM或RF附加到CNN的最后一个隐藏层激活是只是一个临时程序。如果没有测试，它可能会更好，但可能不会。

重要的部分是完全卷积的体系结构能够进行表示学习，这出于多种原因很有用。一次，它可能会完全减少或消除您的问题中的功能设计。

关于FC层，它们在数学上等效于1x1卷积层。请参阅Yann Lecun的帖子，我在下面抄写：

在卷积网中，不存在“全连接层”之类的东西。只有带有1x1卷积内核和完整连接表的卷积层。

ConvNets不需要固定大小的输入，这是一个非常罕见的事实。您可以在碰巧产生单个输出矢量（没有空间范围）的输入上训练它们，然后将它们应用于更大的图像。然后，您将获得输出矢量的空间图，而不是单个输出矢量。每个向量都会在输入的不同位置看到输入窗口。

在这种情况下，“完全连接的层”实际上充当1x1卷积。

如果您知道免费午餐定理（Wolpert和Macready），那么您不会对一个分类器如此迷恋，并问为什么它不是最好的。NFL定理从本质上说：“在所有成本函数的范围内，没有一个最佳分类器。” 其次，分类器的性能始终“取决于数据”。

该丑小鸭定理（渡边）本质上指出，“在所有的功能集的宇宙中，有一种功能没有最好的一套。”

$p>n$

鉴于上述情况，以及Occam的Razor一样，没有任何事情比数据和成本函数更胜一筹。

我一直认为，CNN本身并不是可以评估多样性（kappa与错误）的分类器集合。