---
title: "密集連接網路（DenseNet）"
slug: densenet
language: zh-TW
source: https://aiterms.tw/terms/densenet
updated_at: 2026-04-29
tags: [深度學習, 電腦視覺, 神經網路, 模型訓練, 模型評估, AI基礎]
ipas_term: false
---

# 密集連接網路（DenseNet）

> **你訓練影像模型時，怎麼讓前面學到的特徵一直被後面重用？**
> 你可以把 密集連接網路 想成一種讓資訊一路重用的網路設計。
> 它其實就是把前面層的輸出直接送給後面層，讓特徵不用一直重算。
> DenseNet是一種深度學習模型，透過密集連接每一層到所有後續層，最大化層之間的資訊流動，增強特徵重用，減少梯度消失問題。對深層影像網路來說，這樣常能減少訓練困難，也讓梯度更容易往回傳。

### 容易混淆
> **vs ResNet**
> ResNet 像在每一層之間開了一條「捷徑」，讓資訊能跳過幾層；DenseNet 則是每層都直接連到後面所有層，資訊流通更徹底，特徵利用率更高。
>
> **深度學習 vs 前饋神經網路**
> 深度學習 比較像同一類問題裡的近鄰參考，前饋神經網路 則更像把資料或結構往更深一層整理，兩者的用法不一樣。
>
> **最關鍵的區別：** 先看它是在做「理解、生成、分組、保護」哪一件事，再看細節。

### 記住這句就好
> 每一層都接上前面的輸出，資訊一路往後流

### 實際案例
> **案例一：密集連接網路 在影像辨識**
> 前面層抓到的邊緣和紋理，會直接被後面層拿來重用，這讓模型更容易學到細節。
>
> **案例二：密集連接網路 在深層網路訓練**
> 當網路越深，梯度越容易消失，密集連接能幫忙把資訊一路往後送，訓練通常更穩。

### 深入了解
> DenseNet 的重點是特徵重用，前面層的輸出會直接餵給後面層
> 這種設計能減少梯度消失，也讓較淺層的資訊不容易被浪費
> 代價是連接變多，記憶體和運算成本也會上升
>
> 密集連接網路 真正重要的，不是名詞本身，而是它幫你解決的是哪一類問題。

### 情境判斷
> **Q1（直覺題）：** 你想把前面層學到的邊緣、紋理一直留給後面層，哪種設計特別合適？
> → DenseNet 這種密集連接的設計很合適。
>
> **Q2（判斷題）：** 連接越多是不是一定越好？
> → 看情況，因為特徵重用能幫助訓練，但連接太密也會增加記憶體和計算成本，實際上要看硬體和任務規模。
>
### 常見問題
> **Q：DenseNet如何實現特徵重用？**
> DenseNet通過密集連接實現特徵重用。在DenseNet中，每一層都接收前面所有層的輸出作為輸入。這意味著，網路可以更容易地重用前面層學習到的特徵，從而提高網路的效率和準確性。這種特徵重用機制有助於網路學習更有效的特徵表示。
>
> **Q：DenseNet中的密集塊是什麼？**
> 密集塊是DenseNet的基本組成單元。在每個密集塊中，每一層都接收前面所有層的輸出作為輸入。密集塊的設計允許網路學習更有效的特徵表示，並減少梯度消失問題。密集塊通常包含多個卷積層、批次歸一化層和激活函數。
>
> **Q：DenseNet有哪些不同的變體？它們有什麼區別？**
> DenseNet有多種不同的變體，例如DenseNet-121、DenseNet-161、DenseNet-169和DenseNet-201。這些變體的主要區別在於網路的深度，即密集塊的數量和每個密集塊中的層數。更深的DenseNet通常具有更好的性能，但也需要更多的計算資源。選擇哪個變體取決於具體的任務和可用的計算資源。
>
### 相關術語
> - **深度學習**：讀完這個再看它，可以把上下游概念串起來
> - **前饋神經網路**：讀完這個再看它，可以把上下游概念串起來
> - **殘差網路**：讀完這個再看它，可以把上下游概念串起來
> - **批次正規化**：讀完這個再看它，可以把上下游概念串起來
> - **卷積神經網路**：讀完這個再看它，可以把上下游概念串起來

---

來源：https://aiterms.tw/terms/densenet
快查頁：https://aiterms.tw/terms/densenet
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-densenet