全连接层一般直接和网络的输出层相连 不同于局部连接 全连接层结构中的每个神经单元直接和其前一层中对应的神经单元进行直连。 输入图像在经过前面一系列的操作后 输出的图像中已包含丰富的底层特征信息 全连接层的功能是将特征信息映射到样本空间中进行分类。 从网络的结构和功能上来看 卷积层和池化层主要是对输入图像进行信息提取 而全连接层则负责样本的分类工作 其结果可以作为网络的输出。

全连接层通常包含大量的参数，需要进行大量的计算，因此会增加网络的计算量和训练时间。同时，全连接层的参数数量与输入图像的大小成正比，因此对于输入图像较大的情况，全连接层的计算量和参数数量都会非常大，导致网络难以训练和优化。为了解决这个问题，一些新的网络结构，如GoogLeNet和ResNet，采用了全局平均池化层代替全连接层，从而大大减少了网络的参数数量和计算量。