1 作用
眾所周知，全連接層之前的作用是提取特征，全連接層的作用是分類。
2 關鍵階段介紹
假設通過CNN已經提取到特征，下一層是全連接層，這個階段比較關鍵，舉個例子說明：
上圖中CNN的輸出是3x3x5的特征圖，它是怎么樣轉換成1x4096的形式呢？
很簡單,可以理解為在中間做了一個卷積。這一步卷積一個非常重要，它的作用就是把分布式特征representation映射到樣本標記空間！
簡單來說：它把特征representation整合到一起，輸出為一個值。這樣做,有一個什么好處：就是大大減少特征位置對分類帶來的影響。
注：樣本標記空間也叫樣本輸出空間。
再舉個例子說明上述的過程：
從上圖我們可以看出，貓在不同的位置，輸出的feature值相同，但是位置不同。對於電腦來說，那分類結果也可能不一樣。
而這時全連接層filter的作用就相當於：貓在哪我不管，只要找到貓就可以，於是讓全連接層filter去把這個貓找到，實際就是把feature map 整合成一個值。
這個值大，有貓，這個值小，那就可能沒貓，這和貓在哪關系不大了，魯棒性大大增強了！
因為空間結構特性被忽略了，所以全連接層不適合用於在方位上找模式的任務，比如分割。
3 全連接層為什么大部分是兩層
只用一層fully connected layer 有時候沒法解決非線性問題，而如果有兩層或以上fully connected layer就可以很好地解決非線性問題了。
4 換個方式講
現在的任務是去識別一圖片是不是貓。
假設這個神經網絡模型已經訓練完了，全連接層已經知道
當我們得到以上特征，我就可以判斷這個是不是貓了，因為全連接層的作用主要就是實現分類（Classification）。
從上圖，可以看出：
紅色的神經元表示這個特征被找到了（激活了），同一層的其他神經元，要么貓的特征不明顯，要么沒找到。
當我們把這些找到的特征組合在一起，發現最符合要求的是貓，則認為這是貓了！