7.3.2 NiN模型

可以发现\(\text{AlexNet}\)和VGG最后面的网络都是全连接层，但是有如下问题

基本上所有参数都集中在最后的全连接层（这样导致计算慢内存大还很容易过拟合，比如我们期望三层全连接层学习完所有特征，但是一层就把所有特征学习完了）
所以我们要替换掉最后的全连接层。我们可以使用\(1\times 1\)的卷积层来替换，这就是NiN做的事（我们说\(1\times 1\)卷积层等价于全连接层，那么单从这句话上看，似乎没有得到改进。实际上我们可以去比较一下\(1\times 1\)的卷积层和全连接层的区别，前者是学习同一像素不同通道之间的关系，而后者是将所有像素所有通道结合在一起学习，也就是说前者更简单）
NiN架构如下

最后的“输入通道是类别数”的意思就是对每一个通道都拿出一个值，就把这个值当做某个类别的预测，然后做\(\text{Softmax}\)