T-SNE降维
在我们的CNN中，卷积神经网络用来提取图像的特征，全连接层用来进行线性分类。
在上图中，全连接层最后一层有5个神经元，代表5维的向量，就是原图的语义特征。最后一层是线性分类器，有3个输出头，就是输入的5维特征做了一个线性的分类，这里类似于逻辑回归，但逻辑回归是二分类，这里是多分类。这里重点是这个5维向量，它其实在5维空间中已经是线性可分(有关线性可分的内容可以参考模式识别整理 中的感知器算法中的线性可分性)了，随便一个线性分类器就可以将其轻松分类。
如果是像ResNet这种不带全连接层的，
可以用最后一层卷积层接一层GlobalAvgPooling(全局平均池化)，对卷积层输出的各个通道(上图中是4个通道)各自求平均值(上图中，红色通道求红色通道的平均值，绿色通道求绿色通道平均值等等)，这些平均值都是标量，再将这些标量组成一个多维的向量(上图中是4维向量)，就成为了语义特征。再用这多维的语义特征去做线性分类，得到多个类别的logits分数，再通过softmax得到各个分类的后验概率。
{{o.name}}
{{m.name}}