**1 **問題

我們在深度學習的過程中，開始對模型進行在測試集的精度進行預測時，最開始是全連接網絡進行模型的精度預測，最后發現測試集的精度預測值不是很理想，就在想能不能換一種網絡層提高測試集的精度？

**2 **方法

在后續的學習中，我們學習和了解了卷積網絡，卷積神經網絡也是通過一層一層的節點組織起來的。和全連接神經網絡一樣，卷積神經網絡中的每一個節點就是一個神經元。在全連接神經網絡中，每相鄰兩層之間的節點都有邊相連，于是會將每一層的全連接層中的節點組織成一列，這樣方便顯示連接結構。而對于卷積神經網絡，相鄰兩層之間只有部分節點相連，為了展示每一層神經元的維度，一般會將每一層卷積層的節點組織成一個三維矩陣。

全連接層的參數太多，對于MNIST數據，每一張圖片的大小是28281，其中28*28代表的是圖片的大小，*1表示圖像是黑白的，有一個色彩通道。有的圖片會更大或者是彩色的圖片，這時候參數將會更多。參數增多除了導致計算速度減慢，還很容易導致過擬合的問題。所以需要一個合理的神經網絡結構來有效的減少神經網絡中參數的個數。卷積神經網絡就可以更好的達到這個目的。于是我們就用卷積神經網絡替代了全連接神經網絡進行測試，發現確實提高了測試集的精度。

這是全連接網絡的網絡層

這是卷積網絡的網絡層：

最后我們訓練了五十個周期，得出對比：

這是卷積網絡測試集的精度

這是全連接網絡測試集的精度

**3 **結語

我們通過訓練發現卷積網絡確實提高了網絡測試集的精度，而從中也發現了卷積神經網絡的輸入輸出以及訓練的流程和全連接神經網絡基本一致，而他們兩種網絡唯一區別就是神經網絡相鄰兩層的連接方式。