全連接層通常位于CNN的最后端，是連接卷積、池化層級與輸出層級的“橋梁”，其核心作用是整合前面層級提取的多維度特征（底層、中層、高層），將其轉(zhuǎn)化為與任務(wù)對應(yīng)的輸出形式（如分類任務(wù)的類別概率、檢測任務(wù)的目標(biāo)坐標(biāo)），相當(dāng)于人類視覺系統(tǒng)中“抽象全局語義”的環(huán)節(jié)。

與卷積層、池化層不同，全連接層的神經(jīng)元與上一層的所有神經(jīng)元完全連接（無局部感受野、無權(quán)值共享），其核心邏輯是“全局特征整合”——前面的卷積層、池化層提取的是多通道的二維特征圖，這些特征圖包含了目標(biāo)的局部細(xì)節(jié)和結(jié)構(gòu)信息，但缺乏全局語義關(guān)聯(lián)，全連接層通過將二維特征圖扁平化（Flatten）為一維特征向量，再通過全連接運(yùn)算，整合所有特征信息，抽象為高層語義特征，最終輸出任務(wù)結(jié)果。

1. 全連接層的完整流程

全連接層的工作流程分為三步，以目標(biāo)分類任務(wù)為例，具體如下：

第一步，特征扁平化（Flatten）：將前面池化層輸出的多通道二維特征圖，拉伸為一維特征向量。例如，池化層輸出為512×8×8的特征圖（512通道，高度8，寬度8），扁平化后得到的一維特征向量維度為512×8×8=32768維，這個(gè)向量包含了前面層級提取的所有特征信息。

第二步，全連接運(yùn)算：將扁平化后的一維特征向量輸入全連接層，全連接層的每個(gè)神經(jīng)元都與上一層的所有神經(jīng)元相連，通過矩陣乘法運(yùn)算（特征向量×權(quán)重矩陣），再加上偏置項(xiàng)，將高維特征向量映射為低維特征向量。例如，32768維的特征向量，經(jīng)過第一個(gè)全連接層（1024個(gè)神經(jīng)元）后，映射為1024維的特征向量；再經(jīng)過第二個(gè)全連接層（256個(gè)神經(jīng)元）后，映射為256維的特征向量，逐步實(shí)現(xiàn)特征的全局整合與抽象。

第三步，輸出任務(wù)結(jié)果：根據(jù)具體任務(wù)，全連接層的最后一層輸出對應(yīng)的結(jié)果。例如，目標(biāo)分類任務(wù)中，最后一層全連接層的神經(jīng)元數(shù)量等于分類類別數(shù)（如1000類分類任務(wù)，輸出1000維向量），再通過Softmax激活函數(shù)，將輸出向量轉(zhuǎn)化為各類別的概率（概率之和為1），概率最大的類別即為模型的預(yù)測結(jié)果；目標(biāo)檢測任務(wù)中，最后一層全連接層輸出目標(biāo)的坐標(biāo)（x、y、寬度、高度）和類別概率。

2. 全連接層的核心特點(diǎn)與局限性

全連接層的核心特點(diǎn)是“全局特征整合能力強(qiáng)”，能夠?qū)⑶懊鎸蛹壧崛〉木植刻卣?、結(jié)構(gòu)特征整合為高層語義特征，為任務(wù)輸出提供核心支撐。但同時(shí)，全連接層也存在明顯的局限性：

（1）參數(shù)數(shù)量多：全連接層無權(quán)重共享機(jī)制，神經(jīng)元之間完全連接，當(dāng)輸入特征向量維度較高時(shí)，參數(shù)數(shù)量會(huì)大幅增加，導(dǎo)致計(jì)算復(fù)雜度升高、模型過擬合風(fēng)險(xiǎn)增加。例如，32768維的輸入特征向量，若全連接層有1024個(gè)神經(jīng)元，參數(shù)數(shù)量就高達(dá)32768×1024≈3300萬。

（2）丟失空間結(jié)構(gòu)信息：全連接層需要將二維特征圖扁平化為一維向量，這會(huì)徹底丟失特征的空間結(jié)構(gòu)信息，而空間結(jié)構(gòu)信息對于部分任務(wù)（如圖像分割、目標(biāo)定位）至關(guān)重要。因此，近年來的先進(jìn)CNN模型（如ResNet、U-Net）中，全連接層的應(yīng)用逐漸減少，多采用全局平均池化（GAP）等方式替代，既能實(shí)現(xiàn)特征整合，又能保留部分空間信息，同時(shí)減少參數(shù)數(shù)量。