fc：1.起到分類器的作用。對前層的特征進行一個加權和，（卷積層是將數據輸入映射到隱層特征空間）將特征空間通過線性變換映射到樣本標記空間（也就是label）
2.1*1卷積等價於fc；跟原feature map一樣大小的卷積也等價於fc，也就是輸入是一個5*3*3的feature map，用一個3x3x5的卷積去計算就是fc
3.全連接層參數冗余，用global average pooling替代。在feature map每個channel上使用gap，然后得到channel個結果，分別對應相應的類別的confidence score，最后輸入給softmax。這樣做減少參數，防止過擬合。
4.遷移學習中，目標域和源域差別較大，不用fc的網絡比用fc的網絡效果差
5.卷積層本來就是全連接的一種簡化形式:不全連接+參數共享，按照局部視野的啟發，把局部之外的弱影響直接抹為零影響，同時還保留了空間位置信息。這樣大大減少了參數並且使得訓練變得可控。
6.fc利用的是上一層所有輸入來計算，拋棄了卷積層不同位置的權值共享。對它來說，輸入的不同位置出現同一個pattern是不等價的，因此不適合用於輸出對於每個位置尋找類似pattern的task，比如segmentation、edge detection以及end-to-end的object detection等等，而比較適合用於classification。
特征層提取一個物體的各個部分，不同特征，然后通過fc整合到一起
conv： 1.相當於一個特征提取器來提取特征
2.提供了位置信息
3.減少了參數個數
pooling： 1.提取特征
2.減少參數
激活函數：增加網絡的非線性表達能力