我已经阅读了另一篇有关将FC层转换为卷积层的文章： https://stats.stackexchange.com/questions/263349/how-to-convert-fully-connected-layer-into-convolutional-layer， 但我不明白您在最近的计算中如何获得4096x1x1。我知道在经过卷积层和池化之后，我们最终得到了7x7x512层
我是从以下github帖子中获得的：https://cs231n.github.io/convolutional-networks/#convert
相反，任何FC层都可以转换为CONV层。例如，一个K = 4096的FC层正在看一些7×7×512大小的输入体积，可以等效地表示为一个CONV层，其F = 7，P = 0，S = 1，K = 4096。换句话说，我们将过滤器的大小设置为恰好是输入体积的大小，因此输出将仅为1×1×4096，因为只有单个深度列“适合”整个输入体积，因此得出的结果与最初的FC层。
这是我不完全理解的数学。在另一篇文章中，作者写道
据我所知，在此示例中，转换后的CONV层应具有形状（7,7,512），即（宽度，高度，要素尺寸）。我们有4096个过滤器。每个滤波器的空间大小的输出可以计算为（7-7 + 0）/ 1 + 1 =1。因此，我们有一个1x1x4096向量作为输出。
但是您从哪里获得其他7个？你自己计算卷积层吗？这就是您最终得到1x1x4096的原因？
考虑我有一个CNN，它由Input（234×234）-Conv（7,32,1）-Pool（2,2）-Conv（7,32,1）-Pool（2,2）Conv组成（7,32,1）-池（2,2）-FC（1024）-FC（1024）-FC（1000）。并且不使用零填充。 如果我没记错的话，运行此过程并计算转换层和池应该使我们在最后的池中保持24x24x32的分辨率。转换层的步幅为1。
将FC层转换为卷积层是正确的方法吗？