1. 全连接层

全连接层，指的是每一个结点都与上一层的所有结点相连，用来把前面几层提取到的特征综合起来。

举个例子，前面通过卷积和池化层提取出来的特征有眼睛鼻子和嘴巴，那我们能单独通过这三个特征来判断出这是一只猫吗？显然不能，因为拥有眼睛鼻子嘴巴这三个特征的动物太多了吧，所以我们需要对这三个特征进行特征融合，从而最终判断出这个东东是一只猫猫而不是修狗。

也因此，全连接层相对于卷积层和池化层，需要的参数多很多。

那么看到现在，全连接层和卷积层的其实就是局部和整体的关系，我们知道卷积是对图像的局部区域进行连接，通过卷积核完成的是感受野内的长宽方向以及channel 方向的数据连接。

而全连接层呢？它的每次完成的是所有channel方向的连接，它看到的是全局特征。

除此之外，卷积和全连接在算法上是可以转换的。通常情况下，在进行全连接的计算时，可以把它等效于卷积核为1x1的卷积运算。

2. SoftMax算法

在很多现有的深度学习框架中，SoftMax函数经常被调用初学者大都对它一知半解，只知道SoftMax可以用来做分类，输出属于某个类别的概率。但是，为什么要用SoftMax呢？这个算法又是如何将神经网络推理的数值，转换为一个类别的分类的呢？
首先，我们要明确下面这两个概念：
第一，神经网络最终选择某一分类，依据的不是得分，而是概率
第二，得分是神经网络经过了几十层卷积运算计算出来的

知道了这两个概念以后，正式来介绍SoftMax算法。
先看他这个名字，Soft明显和Hard相对，那HardMax算法就是我们日常理解的Max，比如Max（3，4）就是4。
SoftMax不一样，它是要处理多个类别分类的问题。并且，需要把每个分类的得分值换算成概率，同时解决两个分类得分值接近的问题。

SoftMax函数的公式如上图所示，其中

1. 以e为底数进行了指数运算，算出每个分类的 eZi，作为公式的分子
2. 分母为各分类得分指数运算的加和。
3. 根据公式很自然可以想到，各个分类的SoftMax值加在一起是1，也就是100%。所以，每个分类的SoftMax的值，就是将得分转化为了概率，所有分类的概率加在一起是100%。

至于为什么选择指数函数，这也是有讲究的。

假设我们要让计算机识别以下照片

仓鼠的得分是2.1，白面包的得分是1.9，猫的得分是0.1
如果不用指数函数的话，其实仓鼠得分和白面包的得分是差不多的，但指数增长的特性就是，横轴变化很小的量，纵轴就会有很大的变化。所以，从1.9变化到2.1，经过指数的运算，两者的差距立马被的拉大了。从而，我们可以更加明确的知道，图片的分类应该属于最大的那个。
这就是SoftMax的底层原理。