前言

一般來說，卷積神經網絡會有三種類型的隱藏層——卷積層、池化層、全連接層。卷積層和池化層比較好理解，主要很多教程也會解釋。

? 卷積層(Convolutional layer)主要是用一個采樣器從輸入數據中采集關鍵數據內容；

? 池化層(Pooling layer)則是對卷積層結果的壓縮得到更加重要的特征，同時還能有效控制過擬合。

但是可憐的全連接層(Fully Connected layer)很多時候都被忽略了，可能大佬們覺得我們都能懂吧。。查閱了一下資料，大概理解了全連接層的作用，即將前面經過多次卷積后高度抽象化的特征進行整合，然后可以進行歸一化，對各種分類情況都輸出一個概率，之后的分類器(Classifier)可以根據全連接得到的概率進行分類。

這是我理解過后的總結，如有不當之后也敬請指正。當然結合了國內外很多篇文章才最終大概理解了全連接層的作用。最近又沉迷翻譯，這篇文章就準備翻譯下stackexchange里面關于CNN中FC layer的作用。

水平有限，歡迎各位指正。

卷積神經網絡中全連接層作用(What do the fully connected layers do in CNNs?)

Question：我理解了卷積層和池化層的作用，但是我不能理解卷積神經網絡中全連接層的作用。為什么不能將前一層直接輸出到輸出層呢？

Answer：卷積層的輸出代表著數據的高級特征。當輸出可以被扁平化并且能夠被連接到輸出層時，添加一個全連接層通常能以簡易的方式學習到這些非線性組合特征。
實質上，卷積層提供了一個有意義、低維度且幾乎不變的特征空間，然后全連接層在這個空間里學習一個（非線性）方程。
注：從全連接層轉換為卷積層是很方便的。將這些頂層全連接層轉換為卷積層是很有幫助的。

Q：所以我們通過反向傳播來學習連接層之間的權重，這是否正確？

A：是的，錯誤通過反向傳播從全連接層傳播到卷積層和池化層。

Q：所以，全連接層的目的就是就像PCA(主成分分析)，它通過學習全部的權重來整合了“好”的特征并減少其他特征。

A：這主要取決于你特征的非線性組合。所有的特征都可能是好的（假設你沒有死掉的特征），那么這些特征的組合就可能更好。