51、全连接 - 特征的全局融合

Resnet50 中的核心算法，除了卷积、池化、bn、relu之外，在最后一层还有一个全连接。

下图是 Resnet50 网络结构结尾的部分，最后一层 Gemm(通用矩阵乘法）实现的就是全连接操作。而矩阵乘法我们之前介绍过，传送门在：矩阵乘。

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。

那么，全连接层和卷积层甚至矩阵乘法又有什么区别和联系呢？

1、全连接层

全连接层（Fully Connected Layer），也称为密集连接层（Dense Layer），在全连接层中，每个神经元与前一层的每个神经元都有连接，每个连接都有一个权重，形成一个完全连接的网络结构。

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。而"全连接"强调了这一层中的神经元