1. 定义：

• 每一个节点都跟其后面所有的神经元相连
• 两层之间所有神经元都有权重连接，通常全连接层在卷积神经网络尾部
• 也就是跟传统的神经网络神经元的连接方式是一样的
  

2. 作用：

• 全连接层(fully connected layers，FC)在整个卷积神经网络中起到“分类器”的作用。
• 如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间（样本输出空间）的作用。
• 简单来说:它把特征值整合到一起，输出为一个值。
• 这样做的好处:就是大大减少特征位置对分类带来的影响。

3. 应用举例：

• 从上图我们可以看出，猫在不同的位置，输出的feature值相同，但是位置不同。

• 对于电脑来说，特征值相同，但是特征值位置不同，那分类结果也可能不一样。

• 这时全连接层filter的作用就相当于
  猫在哪我不管，只要找到猫就可以，于是让全连接层filter去把这个猫找到，实际就是把feature map 整合成一个值。
  这个值大，有猫，这个值小，那就可能没猫,和这个喵在哪关系不大了，鲁棒性有大大增强。

• 因为空间结构特性被忽略了，所以全连接层不适合用于在方位上找Pattern的任务，比如segmentation。

• 全连接层中一层的一个神经元就可以看成一个多项式（类似加权平均），我们用许多神经元去拟合数据分布

• 但只用一层fully connected layer 有时候没法解决非线性问题，而如果有两层或以上fully connected layer就可以很好地解决非线性问题了

4. 其它理解

• 通过特征提取，实现分类，我们现在的任务是去区别一图片是不是猫
  

• 假设这个神经网络模型已经训练完了，全连接层已经知道
  

• 当我们得到以上特征，我就可以判断这个是猫。因为全连接层的作用主要就是实现分类（Classification）
  

• 同一层的其他神经元，要么猫的特征不明显，要么没找到
  当我们把这些找到的特征组合在一起，发现最符合要求的是猫
  ok，我认为这是猫了

• 这细节特征又是怎么来的？
  就是从前面的卷积层，下采样层来的

5. 其它

• 全连接