對全連接層的通俗理解

如果你是搞 AI 算法的同學，相信你在很多地方都見過全連接層。

無論是卷積神經網絡（CNN），還是自然語言處理（NLP）網絡，都能看到全連接層的身影。

那么到底什么是全連接層，這一層在神經網絡中有什么作用，以及它和矩陣乘法、卷積運算有什么關系呢？

1、什么是全連接層

全連接層（Fully Connected Layer），有時也被叫作密集層（Dense Layer）。

之所以這么叫，是因為這一層的每個神經元都與前一層的每個神經元連接在一起，形成了一個全連接的網絡結構。

全連接結構：圖源網絡

這種全連接的方式與卷積和池化不同，卷積和池化是通過固定大小的卷積核或池化窗口在輸入上移動，以便有效地捕捉局部特征。

因此，"全連接"強調了這一層中的神經元與前一層中的所有神經元之間的連接，與卷積和池化層的局部連接方式形成對比。

2、全連接有什么作用

既然是所有神經元的全部連接，說明它可以捕獲到前面所有的特征，經過運算就可以更加有效、完備的融合所有特征。

使得神經網絡最終看到的特征是個全局特征（一只貓），而不是局部特征（眼睛或者鼻子）。

有一個螞蟻開會的比喻來比喻全連接層，比較形象。

假設你是一只螞蟻，你的任務是找小面包。這時候你的視野比較窄，只能看到很小一片區域，也就只能看到一個大面包的部分。

當你找到一片面包之后，你根本不知道你找到的是不是全部的面包，所以你們所有的螞蟻開了個會。

你們互相把自己找到的面包的信息分享出來，通過開會分享，最終你們確認，哦，你們找到了一個大面包。

上面說的螞蟻開會的過程，就是全連接，這也是為什么，全連接需要把所有的節點都連接起來，盡可能的完成所有節點的信息共享。

說到這，大概就能理解全連接的作用了吧，那就是可以完成全部特征的融合。

3、全連接和卷積以及矩陣乘的關系

單純從數學運算上來看，全連接就是矩陣運算，關于矩陣運算的本質，這里說的更清晰一些：5分鐘搞懂矩陣乘法的本質。

全連接和卷積的區別，除了上面說的前者是全局視野，卷積是局部視野之外，還有一個很重要的聯系。

那就是如果卷積的卷積核變為1x1，那么相當于卷積核的每一個像素都與輸入圖片的每一個像素相關聯，此時1x1的卷積，也就變成了矩陣乘了。

全連接一般放在一個神經網絡的最后，用來做分類。

假設神經網絡前面很多層學到了1000個特征，那么最后一層全連接就可以把這1000個特征進行全部融合，融合之后就可以知道這張圖片是一只狗。

借用“圖靈的貓”對這個算法的解釋：全連接層在整個卷積神經網絡中起到“分類器”的作用。

如果說卷積層、池化層和激活函數層等操作是將原始數據映射到隱層特征空間的話，全連接層則起到將學到的“分布式特征表示”映射到樣本標記空間的作用。