全连接层：神经网络中的核心结构

全连接层（Fully Connected Layer），也称为密集连接层或全连接层，是神经网络中一种常见的层结构。全连接层的每一个神经元都与上一层的所有神经元相连，因此每个神经元的输入都来自上一层的所有神经元。

全连接层的作用是将前一层的所有神经元的输出进行加权求和，并通过激活函数进行非线性变换，得到当前层的输出。全连接层可以实现复杂的非线性映射，能够学习到更加复杂的特征表示。

全连接层通常用于神经网络的最后一层，用于分类任务或回归任务的输出。在卷积神经网络中，全连接层通常位于卷积层和池化层之后，将卷积层的输出展平为一维向量后再与全连接层相连。

全连接层的参数量较大，容易出现过拟合的问题，因此常常采用正则化方法（如Dropout）对全连接层进行正则化。此外，全连接层的计算量也较大，因此在深层神经网络中，可以考虑减少全连接层的神经元数目或使用稀疏连接来减少计算量。