全连接

“图6-14 Max Pooling的例子 5.全连接层 全连接层（Fully-connected Layer）可以认为是传统意义上的神经网络算法，之所以称之为全连接，是因为神经网络算法的特点就是3个层（输入层、隐藏层、输出层）之间的节点是相互链接的，如图6-15所示。”

“卷积神经网络（Convolutional Neural Networks，CNN）是一种深度学习模型或类似于人工神经网络的多层感知器，主要由数据输入（Input）层、卷积（CONV）层、激活（ReLU）层、池化（Pooling layer）层、全连接（FC）层组成。”

“图 3-1 用 Keras 中的 Sequential Model 构建简单的单层神经网络 首先，我们用 Dense(4,inputshape=(2,)) 定义一个全连接层（ Dense Layer ），其中包含 4 个神经元，输入的是一个长度为 2 的一维数组。”

“如果神经网络一层中的所有神经元和前一层的每个神经元都有连接，那么这样的层称为全连接层（Fully Connected Layers），在卷积神经网络中，一般位于分类器的前端，作用是将学习到的“分布式特征表示”映射到样本标记空间，实现分类的显式表达。”

“网络模型构建 开发者构建网络模型一般经过两个阶段： ● 定义神经网络结构，如图1.4.1 中和代码实例中构建的LeNet5 网络模型，其中包含有卷 积层（Conv2D）、最大池化层（MaxPool2D）、全连接层（Linear）。”

“网络模型构建 开发者构建网络模型一般经过两个阶段： ● 定义神经网络结构，如图1.4.1 中和代码实例中构建的LeNet5 网络模型，其中包含有卷 积层（Conv2D）、最大池化层（MaxPool2D）、全连接层（Linear）。”