深度学习中全连接层是什么？

在深度学习中，全连接层（Fully Connected Layer），也称为密集连接层或全连接神经网络层，是神经网络的一种基本组成部分。它的主要作用是将输入的所有神经元与输出的所有神经元相互连接，每个输入神经元与每个输出神经元都存在连接，因此称为“全连接”。
全连接层通常出现在神经网络的前馈（Feedforward）部分，这是一个前向传播网络的层，用于学习输入数据的表示。每个输入神经元与每个输出神经元之间都有权重，这些权重用来学习输入和输出之间的关系。典型情况下，全连接层的神经元采用激活函数（如ReLU、Sigmoid或Tanh）来引入非线性性质，以使网络可以学习复杂的函数。
全连接层在深度学习中广泛应用，尤其在深度神经网络（Deep Neural Networks）中，如多层感知机（Multi-Layer Perceptron，MLP）。这些层用于将输入数据映射到输出数据，逐层传递以学习特征的表示。
在深度学习的卷积神经网络（Convolutional Neural Network，CNN）中，全连接层通常出现在网络的最后一层，用于将卷积和池化层提取的特征映射到最终的分类输出。这一层通常包括与类别数目相等的输出神经元，每个神经元对应一个类别的预测概率。
全连接层的参数数量通常较多，因为每个输入神经元与每个输出神经元都有连接，所以它们在深度学习模型中需要大量的训练数据来有效地学习权重。此外，全连接层在处理高维数据时可能会导致模型的参数过多，因此在一些应用中，可以考虑使用其他类型的层来减少参数数量，如全连接层之前的卷积层和池化层。