那么怎么判断模型学习能力如何 以修改全连接层？
https://blog.csdn.net/u012426298/article/details/81813911 全卷积 全连接层
全连接层对模型影响参数就是三个：
全接解层的总层数（长度）单个全连接层的神经元数（宽度）激活函数看Training Curve 以及 Validation Curve，在其他条件理想的情况下，如果Training Accuracy 高， Validation Accuracy 低，也就是过拟合 了，可以尝试去减少层数或者参数。如果Training Accuracy 低，说明模型学的不好，可以尝试增加参数或者层数。至于是增加长度和宽度，这个又要根据实际情况来考虑了。
全连接的参数实在是太多了，你想这张图里就有20*12*12*100个参数，前面随便一层卷积，假设卷积核是7*7的，厚度是64，那也才7*7*64，所以现在的趋势是尽量避免全连接，目前主流的一个方法是全局平均值。
https://blog.csdn.net/zxyhhjs2017/article/details/78603332 FCN的原理？？
当全连接层面对各种尺寸的输入数据时，就需要对输入数据进行crop（crop就是从一个大图扣出网络输入大小的patch，比如227×227），或warp（把一个边界框bounding box的内容resize成227×227）等一系列操作以统一图片的尺寸大小，比如224*224（ImageNet）、32*32(LenNet)、96*96等。https://blog.csdn.net/v_JULY_v/article/details/80170182 v_JULY_v
class 信息是针对每个网格的，confidence 信息是针对每个 bounding box 的。
https://blog.csdn.net/guleileo/article/details/80581858 yolo v1-v3
联合训练算法的基本思路就是：同时在检测数据集和分类数据集上训练物体检测器（Object Detectors ），用监测数据集的数据学习物体的准确位置，用分类数据集的数据来增加分类的类别量、提升鲁棒性。
YOLO9000 就是使用联合训练算法训练出来的，他拥有 9000 类的分类信息，这些分类信息学习自ImageNet分类数据集，而物体位置检测则学习自 COCO 检测数据集。
