全卷积神经网络（FCN）和卷积神经网络（CNN）的主要区别

卷积神经网络主要由卷积层、池化层和全连接层组成。排在前面的较浅的卷积层采用较小的感知域，可以学到图像的一些局部特征（如纹理特征），排在后面较深的卷积层采用较大的感知域，可以学到更加抽象的特征（如物体的大小、位置和方向等）。
全卷积神经网络（FCN）和卷积神经网络（CNN）的主要区别在于FCN将CNN末尾的全连接层转化成了卷积层。

例如，经过卷积、池化后，图像的大小变为4（长）×4（宽）×512（通道数）。CNN将图像送入全连接层，而FCN将图像送入1×1的卷积层。

如图所示，对于100分类问题。
CNN网络将卷积、池化后的图像先进行扁平化处理，得到一维的4×4×512向量，将其送入全连接层中进行训练，最终得出分类结果。
FCN网络将全连接层改为全卷积层，先使用1024个4×4卷积核卷积得到1维的1024向量，在使用通道数为1000的1×1卷积核将向量降维至100，得出分类结果。
【卷积层直接用padding=0，4096个卷积核对应4096个神经元，参数量和之前完全等价】

我们考虑如下几个问题：
为什么用全连接，用什么去替换全连接。网络的目的是什么？
卷积神经网络的目的是提取特征、学习特征进行图像分类、目标识别、自然语言处理、预测等；
我们都知道卷积层后的全连接目的是将卷积输出的二维特征图（feature map）转化成（N*1）一维的一个向量
因为传统的卷积神经网络的输出都是分类（一般都是一个概率值），也就是几个类别的概率甚至就是一个数——类别号，那么全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。

根据全连接的目的，我们完全可以利用卷积层代替全连接层，在输入端使用M×M大小的卷积核将数据“扁平化处理”，在使用1×1卷积核对数据进行降维操作，最终卷积核的通道数即是我们预测数据的维度。
这样在输入端不将数据进行扁平化处理，还可以使得图片保留其空间信息。

【全连接的参数实在是太多了，你想这张图里就有201212100个参数，前面随便一层卷积，假设卷积核是77的，厚度是64，那也才7764，所以现在的趋势是尽量避免全连接，目前主流的一个方法是全局平均值。也就是最后那一层的feature map（最后一层卷积的输出结果），直接求平均值。有多少种分类就训练多少层，这十个数字就是对应的概率或者叫置信度。】

使用全卷积层的优点是什么？

全卷积层能够兼容不同大小的尺寸输入。
与global avg pooling类似，可以大大减少网络参数量
假如现在我们有一个对cifar10数据集训练好的模型（五层卷积、每层卷积后接一层池化，后接两层全连接）
我们知道，cifar10数据集中输入图像32×32×3经过5层（2×2）池化之后，变为长和宽变为1×1。
在测试阶段，现在我们有一组图像，若输入大小也是32×32×3，则可以直接用上述训练好的模型进行测试。（卷积层输入到全连接层是等价的）。
若我们输入的图像Q的长宽不是（32×32）而比32大，那么它卷积网络输出就是一个feature map，即不是一个向量，若原来是1×1×64，现在是2×2×64。那输入到全连接后就是一个四维向量了。4×4×1000，每一个channel代表一个类别。每一个通道都是4×4，我对每一个通道进行全局平均池化，每一个通道求和，这样4×4就变成了一个数。将图像水平翻转一下，再训练一遍。