全连接层与卷积层（总结）

全连接层与卷积层：

全连接鞥	卷积层
全连接层是使用图像的全局信息，全连接层的权重是固定的，要求输入的feature map的大小也有要求，所以网络开始输入图像的大小要固定。全连接层的每一个节点都有上一层的所有节点相连。	卷积层取局部特征，不需要固定输入的大小，因为它是对局部区域进行窗口滑动。
例如：feature map大小3 * 3 * 2，有12个像素点，那么就需要将其转换成12*1的列向量，对于要乘的权重，形式应该为1 * 12，经过全连接层后的输出就是1 * 1.（可存在多权重，一个权重一行，输出为n * （ 1 * 1 ））	例如：输入提箱是32 * 32 * 3，卷积层为一个5 * 5 * 3的filter（深度需要相同，可多个filter），通过filter后可得一个28 * 28 * 1的特征图。

卷积层优点：
1、卷积层可以多尺度，全连接层必须限制输入图像的大小。
2、卷积层在某些情况下更高效。
所以有了卷积层代替全连接层的想法，