转载自：https://baijiahao.baidu.com/s?id=1590121601889191549&wfr=spider&for=pc
先来一段官方的语言介绍全连接层（Fully Connected Layer）
全连接层常简称为 FC，它是可能会出现在 CNN 中的、一个比较特殊的结构；从名字就可以大概猜想到、FC 应该和普通层息息相关，事实上也正是如此。直观地说、FC 是连接卷积层和普通层的普通层，它将从父层（卷积层）那里得到的高维数据铺平以作为输入、进行一些非线性变换（用激活函数作用）、然后将结果输进跟在它后面的各个普通层构成的系统中：
上图中的 FC 一共有3*2*2 =12个神经元，自 FC 之后的系统其实就是NN。换句话说、我们可以把 CNN 拆分成如下两块结构：
自输入开始、至 FC 终止的“卷积块”，组成卷积块的都是卷积层自 FC 开始、至输出终止的“NN 块”，组成 NN 块的都是普通层
注意：值得一提的是，在许多常见的网络结构中、NN 块里都只含有 FC 这个普通层
明白了没有？各位看官
没有？
说白了全连接就是一个分类器，LR知道不？
逻辑回归懂不懂？
将上层抽取出来的特征向量在里面做一个权重计算，输出各个类别的概率，就是这个，没了。
那么为什么 CNN 会有 FC 这个结构呢？
或者问得更具体一点、为什么要将总体分成卷积块和 NN 块两部分呢？
这其实从直观上来说非常好解释：卷积块中的卷积的基本单元是局部视野，用它类比我们的眼睛的话、就是将外界信息翻译成神经信号的工具，它能将接收的输入中的各个特征提取出来；至于 NN（神经网络）块、则可以类比我们的神经网络（甚至说、类比我们的大脑），它能够利用卷积块得到的信号（特征）来做出相应的决策。概括地说、CNN 视卷积块为“眼”而视 NN 块为“脑”，眼脑结合则决策自成。
用机器学习的术语来说、则卷积块为“特征提取器”而 NN 块为“决策分类器”，
而他的作用就是：全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用
而事实上，CNN 的强大之处其实正在于其卷积块强大的特征提取能力上、NN 块甚至可以说只是用于分类的一个附属品而已。我们完全可以利用 CNN 将特征提取出来后、用之前介绍过的决策树、支持向量机等等来进行分类这一步而无须使用 NN 块。