卷积神经网络中的全连接层

        卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）

        在上一篇博客中（https://blog.csdn.net/yql_617540298/article/details/104542823），已经将卷积神经网络中的卷积层、池化层知识点进行了总结，但是没有对全连接层进行描述，这一篇主要是总结全连接层相关知识点，以及对CNN的补充，以便加深对基础知识的学习。

参考链接：https://blog.csdn.net/weixin_38208741/article/details/80615580

参考链接：https://www.cnblogs.com/mfryf/p/11373142.html

参考链接：https://blog.csdn.net/nanhuaibeian/article/details/100532038

参考链接：https://blog.csdn.net/lianzhng/article/details/80652744

参考链接：https://blog.csdn.net/bruce_0712/article/details/80293027

参考链接：https://blog.csdn.net/weixin_41036461/article/details/80657929

一、全连接层

1. 什么是全连接层？

       连接所有的特征，将输出值送给分类器（如softmax分类器）。       

       在常见的卷积神经网络的最后往往会出现一两层全连接层ÿ