特征地图

当前层中的每个神经元都与前一层中的所有神经元相连。最后一个神经元输出一个值。

对于CNN，如果前一层输出H W C的特征图，则全连通层由n个卷积核组成，卷积核的维数为H W C，输出n个值。

CNN提取局部特征，全连接层的作用就是整合这些局部特征，将特征图整合成一个值，提高位置不变性。

这里用一只小猫来解释为什么需要一个全连接层，相当清楚。

参数数量急剧增加，全连接层的参数是网络中最多的。

因为全连接层神经元的大小是在训练过程中确定的，所以输入图像的大小会受到限制。

1 1卷积，顾名思义，卷积核的大小为1 1，通道数与输入特征通道数相同，但可以改变卷积核的个数，从而实现降维升级。

卷积核的通道数与输入特征通道数相同。

卷积核的数量决定了输出特征的通道数量。

完全连接的图层将破坏要素的原始空间信息，并展平要素以供进一步处理。

1*1卷积后，特征的分辨率没有变化，但通道数发生了变化。

-不改变特征图的大小，对输入大小没有限制。

-参数数量大大减少。可以先降维后增维，在减少计算量的同时实现与其他卷积运算相同的功能。

将特征图各通道的像素值相加得到一个平均值，用这个值表示对应的特征图。

输出结果直接发送到softmax。

-减少参数数量并替换完全连接的层。

-减少过度拟合。

-直接赋予每个频道实际的类别含义。

参考1

参考文献2

宁论文综述

这也可以。