改写DenseNet将所有层中合适的特征图尺寸进行互相连接为了保证前馈的特性模型结构中的每一层都将之前所有层的输入进行拼接然后将输出的特征图传递给之后的所有层。如图23所示稠密连接模块的一个重要优点是它比传统的卷积网络有更少的参数因为它不需要重新学习多余的特征图方便了网络模型的训练。DenseNet还有一个优点：即它改善了网络中信息和梯度的传递这使得网络更容易训练。每一层都可以直接利用损失函数的梯

DenseNet通过将适当大小的特征图相互连接来构建网络结构，以确保前向传递的特性。每一层都将之前所有层的输入进行拼接，并将输出的特征图传递给后续的所有层。相比传统的卷积网络，稠密连接模块具有更少的参数，因为它不需要重新学习多余的特征图，从而方便了网络模型的训练。此外，DenseNet还改善了网络中信息和梯度的传递，使得网络更容易训练。每一层都可以直接利用损失函数的梯度以及最开始的输入信息，相当于一种隐形的深度监督。这有助于训练更深的网络，并且稠密连接还具有正则化的作用，可以降低在小训练集任务中的过拟合风险。