“全连接层，通常简称为FC层，是神经网络中的一种层，其中每个神经元都与前一层的每个神经元相连。这意味着每个输入特征都会影响每个输出神经元。基本上，全连接层对其输入执行线性变换，然后应用非线性激活函数，从而使其能够学习复杂的模式和表示。这个层通常位于卷积神经网络（CNN）结尾或作为多层感知器（MLP）的一部分。
在实践中，当你拥有一个全连接层时，会从一个输入向量开始，该向量代表从前面的层中提取的特征。例如，在分类任务中，输入可能由图像的像素值扁平化数组组成。然后，这个输入与一个权重矩阵相乘，该矩阵决定了每个特征对每个输出神经元的贡献程度。在这个线性操作之后，应用非线性激活函数，例如ReLU或Sigmoid。这个组合使得模型能够捕捉复杂的关系并做出更明智的预测。
一个需要考虑的重要方面是，全连接层往往具有较多的参数，特别是当输入大小相当大时。这可能导致过拟合，尤其是当数据集相对于参数数量较小时。为了减轻这种情况，可以采用诸如丢弃法或L2正则化等权重正则化技术。总体而言，全连接层是深度学习架构的基本组成部分，充当学习到的特征表示与最终输出（例如类别分数或回归值）之间的桥梁。”