大家好啊，我是董董灿。
如果你是搞AI算法的同学，相信你在很多地方都见过全连接层。
无论是处理图片的卷积神经网络（CNN），还是处理文本的自然语言处理（NLP）网络，在网络的结尾做分类的时候，总是会出现一个全连接层。
那么到底什么是全连接层，这一层在神经网络中有什么作用，以及它和矩阵乘法、卷积运算有什么关系呢？
在阅读之前，建议先了解一个预备知识。
卷积也好，矩阵乘法也好，其目的都是为了完成神经网络中的特征融合，这是其本质。
神经网络的运算，也是为了更好的完成输入数据的特征提取和融合，从而识别一张图片、一个句子。
就好像我们记住一个人一样，记住的不是他的全部，而是他的特征。
1、什么是全连接层
全连接层（Fully Connected Layer），有时也被叫作密集层（Dense Layer）。
之所以这么叫，是因为这一层的每个神经元都与前一层的每个神经元连接在一起，形成了一个全连接的网络结构，如下所示，每个笑脸都与前一层的所有笑脸相连。
这种全连接的方式与卷积和池化不同，卷积和池化是通过固定大小的卷积核或池化窗口在输入上移动，以便有效地捕捉局部特征。
因此，"全连接"强调了这一层中的神经元与前一层中的所有神经元之间的连接，与卷积和池化层的局部连接方式形成对比。
2、全连接有什么作用
既然是所有神经元的全部连接，说明它可以捕获到前面所有的特征，经过运算就可以更加有效、完备的融合所有特征。
使得神经网络最终看到的特征是个全局特征（一只猫），而不是局部特征（眼睛或者鼻子）。
有一个蚂蚁开会的比喻来比喻全连接层，比较形象。
假设你是一只蚂蚁，你的任务是找小面包。这时候你的视野比较窄，只能看到很小一片区域，也就只能看到一个大面包的部分。
当你找到一片面包之后，你根本不知道你找到的是不是全部的面包，所以你们所有的蚂蚁开了个会，互相把自己找到的面包的信息分享出来，通过开会分享，最终你们确认，哦，你们找到了一个大面包。
上面说的蚂蚁开会的过程，就是全连接，这也是为什么，全连接需要把所有的节点都连接起来，尽可能的完成所有节点的信息共享。
说到这，大概就能理解全连接的作用了吧，那就是可以完成全部特征的融合。
3、全连接和卷积以及矩阵乘的关系
单纯从数学运算上来看，全连接就是矩阵运算，关于矩阵运算的本质，这里说的更清晰一些：5分钟搞懂矩阵乘法的本质。
全连接和卷积的区别，除了上面说的前者是全局视野，卷积是局部视野之外，还有一个很重要的联系，那就是如果卷积的卷积核变为1x1，那么相当于卷积核的每一个像素都与输入图片的每一个像素相关联，此时1x1的卷积，也就变成了矩阵乘了。
全连接一般放在一个神经网络的最后，用来做分类。
假设神经网络前面很多层学到了1000个特征，那么最后一层全连接就可以把这1000个特征进行全部融合，融合之后就可以知道这张图片是一只狗，或者这个句子说的是"我爱学习"了。