這是我目前看到對卷積層到全連線層轉化最好的文章了，感謝原作者！
在常見的卷積神經網路的最後往往會出現一兩層全連線層，全連線一般會把卷積輸出的二維特徵圖（feature map）轉化成（n*1）一維的乙個向量，這是怎麼來的呢？目的何在呢？
舉個例子：
最後的兩列小圓球就是兩個全連線層，在最後一層卷積結束後，又進行了一次池化操作，輸出了20個12*12的影象（20指最後一層的厚度），然後通過了乙個全連線層變成了1*100的向量（第乙個全連線層神經元的個數是100）。
該操作其實就是用100個20*12*12（20指的是吃化層的厚度）的卷積核卷積出來的，對於輸入的每一張特徵圖，都使用乙個和影象大小一樣的核卷積進行點積運算，這樣整幅圖就變成了乙個數了，如果厚度是20就是那20個核卷積完了之後相加求和。這樣就能把一張圖高度濃縮成乙個數了。
全連線的目的是什麼呢？因為傳統的端到到的卷積神經網路的輸出都是分類（一般都是乙個概率值），也就是幾個類別的概率甚至就是乙個數--類別號，那麼全連線層就是高度提純的特徵了，方便交給最後的分類器或者回歸。
但是全連線的引數實在是太多了，你想這張圖里就有20*12*12*100個引數，前面隨便一層卷積，假設卷積核是7*7的，厚度是64，那也才7*7*64，所以現在的趨勢是盡量避免全連線，目前主流的乙個方法是全域性平均值。也就是最後那一層的feature map（最後一層卷積的輸出結果），直接求平均值。有多少種分類就訓練多少層，這十個數字就是對應的概率或者叫置信度。
原文：
卷積神經網路中全連線層工作原理的解釋
在常見的卷積神經網路的最後往往會出現一兩層全連線層，全連線一般會把卷積輸出的二維特徵圖 feature map 轉化成 n 1 一維的乙個向量，這是怎麼來的呢？目的何在呢？舉個例子 最後的兩列小圓球就是兩個全連線層，在最後一層卷積結束後，又進行了一次池化操作，輸出了20個12 12的影象 20指最後...
卷積神經網路 全連線層
全連線層 全連線層與卷積層 全連線層與gap 全域性平均池化層 1 2 3 全連線層一般會把卷積輸出的二維特徵圖轉化為一維的乙個向量，全連線層的每乙個節點都與上一層的每個節點連線，是把前一層的輸出特徵都綜合起來，所以該層的權值引數是最多的。作用 全連線網路的作用就是將最後一層卷積得到的feature...
卷積神經網路中的 「全連線層」
對 n 1 層和 n 層而言，n 1 層的任意乙個節點，都和第 n 層所有節點有連線 即第n層節點都和第n 1層節點相連線 即第n層的每個節點在進行計算的時候，啟用函式的輸入是n 1層所有節點的加權。像下面的中間層就是全連線方式 以上圖為例，我們仔細看上圖全連線層的結構，全連線層中的每一層是由許多神...