FCN网络（全卷积神经网络）中全是卷积层链接，与CNN网络的主要区别在于FCN将CNN中的全连接层换成了卷积操作。换成全卷积操作后，没有了全连接层的输入层神经元个数的限制，所以卷积层的输入可以是不同尺寸的图像，不用要求训练图像和测试图像size一致。FCN中第6、7、8层都是通过1 × 1卷积得到的，第6层的输出是4096 × 7 × 7， 第7层的输出是4096 × 7 × 7 ，第8层的输出是

包围框：我们有 𝑠 2个框，每个框的bb个数为𝐵，分类器可以识别出𝐶种不同的物体， 那么所有整个ground truth的长度为𝑆 × 𝑆 × (𝐵 × 5 + 𝐶)。卷积层主要有3×3的过滤器，并遵循两个简单的设计规则:①对输出特征图的尺寸相同的各层，都有相同数量的过滤器;5.MS COCO:提供的标注类别有80类，有超过33万张图片，其中20万张有标注，整个数据集中个体的数目超过

FCN网络（全卷积神经网络）中全是卷积层链接，与CNN网络的主要区别在于FCN将CNN中的全连接层换成了卷积操作。换成全卷积操作后，没有了全连接层的输入层神经元个数的限制，所以卷积层的输入可以是不同尺寸的图像，不用要求训练图像和测试图像size一致。FCN中第6、7、8层都是通过1 × 1卷积得到的，第6层的输出是4096 × 7 × 7， 第7层的输出是4096 × 7 × 7 ，第8层的输出是

也就是说，具有较大偏导的参数相应有一个较大的学习率，而具有小偏导的参数则对应一个较小的学习率。但本质上，优化和深度学习的⽬标是根本不同的。但有时候我们还会遇见一些不太常见的问题，例如：对于稀疏特征的模型训练时，鉴于学习率下降，我们可能最终会⾯临这样的情况：常⻅特征的参数相当迅速地收敛到最佳值，⽽对于不常⻅的特征，我们仍缺乏⾜够的观测以确定其最佳值。为了获得多个通道的输出，我 们可以为每个输出通道创