CNN中完全连接的层做什么？

我了解卷积和池化层，但看不到CNN中完全连接的层的原因。为什么上一层不直接连接到输出层？

卷积层的输出表示数据中的高级特征。虽然可以将输出平坦化并连接到输出层，但是添加完全连接的层是学习这些功能的非线性组合的（通常）便宜的方法。

本质上，卷积层提供了有意义的，低维的并且多少不变的特征空间，而全连接层正在学习该空间中的（可能是非线性的）函数。

注意：从FC层转换为Conv层很简单。如将这些顶级FC层转化率的层可以是有帮助的这个页面描述。

我发现Anil-Sharma在Quora上的回答 很有帮助。

我们可以将整个网络（用于分类）分为两部分：

• 特征提取：在传统的分类算法（如SVM）中，我们通常从数据中提取特征以使分类工作。卷积层用于特征提取的相同目的。CNN可以更好地表示数据，因此我们不需要进行特征工程。

• 分类：特征提取后，我们需要将数据分类为各种类别，这可以使用完全连接（FC）的神经网络来完成。代替完全连接的层，我们还可以使用传统的分类器，例如SVM。但是我们通常最终会添加FC层以使模型端到端可训练。