今天要介紹的是Fully Connected Layer(全連接層)，全連接層通常都在神經網路的最後面，並且通常會有一到兩層，看下圖。



在全連結層前的動作是在做特徵擷取，到了這裡則是真正決定結果是甚麼的時候了，上圖中的左邊每一個小框框可以想成是每一種特徵，而其中的數字則是這個特徵對某個結果的重要程度，稱之為權重，例如A特徵對應到第一個格子，B特徵對應第二個格子，A對叉叉結果的權重為0.9，B為0.65，意思也就是A的影響比B還要大。

聽不太懂的話，也可以換個說法，把全連結層想像在投票一樣，只不過每個人的票不等值，當今天A投給叉叉的話，叉叉會得到0.9票，B投給叉叉，叉叉得0.65票，所以今天A投給叉叉比B投給叉叉影響還要大(模型實際中不一定是如此計算)。

總結來說，全連結層就是最後的分類器，將前面所擷取出來的特徵，經過權重的計算之後，來辨識出這個所輸入的圖像到底屬於哪一個分類。

也許會有人好奇，這些權重怎麼來的?這是因為CNN中有個Backpropagation的技巧可以解決這個問題，這也是為甚麼模型需要經過大量訓練的原因之一，當模型在進行訓練的時候，模型會慢慢調整他的參數(權重)、特徵擷取，使得模型輸出的結果會符合實際結果。

至此，一個基本的CNN就已經成形，但很多提出的CNN模型中，都有新增許多的技巧來增加模型的準確率、訓練速度，減少計算量等，在之後的文章中提到時會再介紹。

資料來源:
https://brohrer.mcknote.com/zh-Hant/how_machine_learning_works/how_convolutional_neural_networks_work.html
https://vinodsblog.com/2018/10/15/everything-you-need-to-know-about-convolutional-neural-networks/