全连接卷积神经网路的基本框架

全连接卷积神经网络是深度学习中常用的神经网络模型之一。其基本框架包括以下几个组成部分：

1. 输入层：输入层接受原始数据，如图像、声音等。

2. 卷积层：卷积层通过一系列的卷积操作提取输入数据的特征，并输出一组特征图。每个特征图对应一个卷积核，卷积核的参数是模型需要学习的。

3. 池化层：池化层通过对特征图进行降采样操作，减少特征图的大小、参数数量和计算量，同时提高特征的鲁棒性。

4. 全连接层：全连接层将上一层输出的特征图展开成一个向量，并通过一系列的全连接操作将其映射到输出层的标签空间。

5. 输出层：输出层是最后一层，通常使用softmax函数将全连接层的输出转化为概率分布，表示输入数据属于每个类别的概率。

以上就是全连接卷积神经网络的基本框架，具体实现中还有许多细节需要注意，如激活函数、正则化、损失函数等。