【内容摘要】
本文聚焦卷积神经网络（CNN）的全连接层，详细介绍其将二维特征图转化为一维向量的过程，阐述全卷积网络（FCN）如何通过转置卷积替代全连接层以实现像素级分类，并分析全连接层对图像分类任务中CNN性能的具体影响。
【关键词】
全连接层 卷积神经网络 特征汇总 全卷积网络（FCN） 图像分类 转置卷积 性能影响
一、全连接层的核心作用：特征汇总与维度转换
全连接层（Full Connected Layer）是卷积神经网络的重要组成部分，主要负责对卷积层和池化层提取的多维特征进行汇总，将高维特征映射为二维输出（一维表示样本批次，另一维对应任务目标）。其核心功能是将深层网络提取的局部特征整合为全局特征，为最终的分类或回归任务提供关键输入。
1.1 二维特征图到一维向量的转换过程
以图像分类任务为例，假设最后一层卷积层输出为20个12×12的特征图（即尺寸为12×12×20），全连接层的作用是将其转化为一维向量。具体操作如下：
使用100个尺寸为12×12×20的卷积核（每个卷积核对应最终分类的一个维度）对特征图进行卷积操作。每个卷积核与输入特征图进行点乘求和后，输出一个标量值。最终，100个卷积核的输出结果组合成1×100的一维向量，完成从二维特征图到一维向量的转换（如图5 - 11所示）。
二、全卷积网络（FCN）：全连接层的替代方案
传统CNN在卷积层后通常连接全连接层，将特征图映射为固定长度的向量以进行分类。但全连接层存在两个显著问题：一是限制输入图像尺寸（需固定输入大小），二是丢失空间信息（无法保留像素级位置关系）。全卷积网络（Fully Convolutional Networks，FCN）通过替换全连接层为卷积层，有效解决了上述问题。
2.1 FCN的核心改进：转置卷积与像素级分类
FCN的核心思想是将CNN最后的全连接层替换为卷积层，并通过转置卷积（反卷积）对特征图进行上采样，使其恢复至输入图像尺寸，从而实现像素级分类（如语义分割任务）。具体流程如下：
- 特征提取：使用与传统CNN相同的卷积层和池化层提取图像特征；
- 全连接层替换：将全连接层替换为1×1卷积层，保持特征图的空间维度；
- 上采样：通过转置卷积对最后一层卷积层的特征图进行上采样，恢复至输入图像尺寸；
- 逐像素分类：在上采样后的特征图上进行逐像素分类，输出带有标签的结果（如图5 - 12所示）。
三、全连接层对CNN图像分类性能的影响
为探究 全连接层 对 CNN 性能的影响，论文《Impact of Fully Connected Layers on Performance of Convolutional Neural Networks for Image Classification》通过实验分析了全连接层与数据集特征的关系，主要结论如下：
3.1 网络深度与全连接层节点数的关系
- 浅层网络：需要更多的全连接层节点来捕捉全局特征，节点数与数据集宽度（特征维度）正相关；
- 深层网络：由于深层卷积层已提取足够抽象的特征，全连接层仅需较少节点即可完成分类，节点数与数据集深度（特征层次）负相关。
3.2 数据集类型与网络架构的适配性
- 较深数据集（如 细粒度图像）：深层网络架构表现更优，因其能通过多层卷积提取层次化特征，全连接层仅需少量节点整合信息；
- 较宽数据集（如 图像风格分类）：浅层网络架构更适合，因其全连接层可通过更多节点捕捉多维度特征，避免深层网络的过拟合问题。
3.3 全连接层数量的平衡
实验表明，过多的全连接层会增加模型复杂度，导致过拟合；过少则无法有效整合特征，降低分类精度。最优全连接层数量需结合网络深度与数据集特性：浅层网络可配置 2 - 3 层全连接层，深层网络建议 1 - 2 层。
四、总结
全连接层是CNN中特征汇总的关键模块，通过维度转换为分类任务提供全局特征。然而，其固定输入尺寸和空间信息丢失的缺陷催生了FCN等替代方案。实际应用中，需根据任务需求（如分类精度、输入尺寸灵活性）选择全连接层或FCN，并结合数据集特性调整全连接层参数（节点数、层数），以优化模型性能。