特征地圖
當前層中的每個神經元都與前壹層中的所有神經元相連。最後壹個神經元輸出壹個值。
對於CNN，如果前壹層輸出H W C的特征圖，則全連通層由n個卷積核組成，卷積核的維數為H W C，輸出n個值。
CNN提取局部特征，全連接層的作用就是整合這些局部特征，將特征圖整合成壹個值，提高位置不變性。
這裏用壹只小貓來解釋為什麽需要壹個全連接層，相當清楚。
參數數量急劇增加，全連接層的參數是網絡中最多的。
因為全連接層神經元的大小是在訓練過程中確定的，所以輸入圖像的大小會受到限制。
1 1卷積，顧名思義，卷積核的大小為1 1，通道數與輸入特征通道數相同，但可以改變卷積核的個數，從而實現降維升級。
卷積核的通道數與輸入特征通道數相同。
卷積核的數量決定了輸出特征的通道數量。
完全連接的圖層將破壞要素的原始空間信息，並展平要素以供進壹步處理。
1*1卷積後，特征的分辨率沒有變化，但通道數發生了變化。
-不改變特征圖的大小，對輸入大小沒有限制。
-參數數量大大減少。可以先降維後增維，在減少計算量的同時實現與其他卷積運算相同的功能。
將特征圖各通道的像素值相加得到壹個平均值，用這個值表示對應的特征圖。
輸出結果直接發送到softmax。
-減少參數數量並替換完全連接的層。
-減少過度擬合。
-直接賦予每個頻道實際的類別含義。
參考1
參考文獻2
寧論文綜述
這也可以。