【內容摘要】
本文聚焦卷積神經網絡（CNN）的全連接層，詳細介紹其將二維特征圖轉化為一維向量的過程，闡述全卷積網絡（FCN）如何通過轉置卷積替代全連接層以實現像素級分類，并分析全連接層對圖像分類任務中CNN性能的具體影響。
【關鍵詞】
全連接層 卷積神經網絡 特征匯總 全卷積網絡（FCN） 圖像分類 轉置卷積 性能影響
一、全連接層的核心作用：特征匯總與維度轉換
全連接層（Full Connected Layer）是卷積神經網絡的重要組成部分，主要負責對卷積層和池化層提取的多維特征進行匯總，將高維特征映射為二維輸出（一維表示樣本批次，另一維對應任務目標）。其核心功能是將深層網絡提取的局部特征整合為全局特征，為最終的分類或回歸任務提供關鍵輸入。
1.1 二維特征圖到一維向量的轉換過程
以圖像分類任務為例，假設最后一層卷積層輸出為20個12×12的特征圖（即尺寸為12×12×20），全連接層的作用是將其轉化為一維向量。具體操作如下：
使用100個尺寸為12×12×20的卷積核（每個卷積核對應最終分類的一個維度）對特征圖進行卷積操作。每個卷積核與輸入特征圖進行點乘求和后，輸出一個標量值。最終，100個卷積核的輸出結果組合成1×100的一維向量，完成從二維特征圖到一維向量的轉換（如圖5 - 11所示）。
二、全卷積網絡（FCN）：全連接層的替代方案
傳統CNN在卷積層后通常連接全連接層，將特征圖映射為固定長度的向量以進行分類。但全連接層存在兩個顯著問題：一是限制輸入圖像尺寸（需固定輸入大小），二是丟失空間信息（無法保留像素級位置關系）。全卷積網絡（Fully Convolutional Networks，FCN）通過替換全連接層為卷積層，有效解決了上述問題。
2.1 FCN的核心改進：轉置卷積與像素級分類
FCN的核心思想是將CNN最后的全連接層替換為卷積層，并通過轉置卷積（反卷積）對特征圖進行上采樣，使其恢復至輸入圖像尺寸，從而實現像素級分類（如語義分割任務）。具體流程如下：
- 特征提取：使用與傳統CNN相同的卷積層和池化層提取圖像特征；
- 全連接層替換：將全連接層替換為1×1卷積層，保持特征圖的空間維度；
- 上采樣：通過轉置卷積對最后一層卷積層的特征圖進行上采樣，恢復至輸入圖像尺寸；
- 逐像素分類：在上采樣后的特征圖上進行逐像素分類，輸出帶有標簽的結果（如圖5 - 12所示）。
三、全連接層對CNN圖像分類性能的影響
為探究 全連接層 對 CNN 性能的影響，論文《Impact of Fully Connected Layers on Performance of Convolutional Neural Networks for Image Classification》通過實驗分析了全連接層與數據集特征的關系，主要結論如下：
3.1 網絡深度與全連接層節點數的關系
- 淺層網絡：需要更多的全連接層節點來捕捉全局特征，節點數與數據集寬度（特征維度）正相關；
- 深層網絡：由于深層卷積層已提取足夠抽象的特征，全連接層僅需較少節點即可完成分類，節點數與數據集深度（特征層次）負相關。
3.2 數據集類型與網絡架構的適配性
- 較深數據集（如 細粒度圖像）：深層網絡架構表現更優，因其能通過多層卷積提取層次化特征，全連接層僅需少量節點整合信息；
- 較寬數據集（如 圖像風格分類）：淺層網絡架構更適合，因其全連接層可通過更多節點捕捉多維度特征，避免深層網絡的過擬合問題。
3.3 全連接層數量的平衡
實驗表明，過多的全連接層會增加模型復雜度，導致過擬合；過少則無法有效整合特征，降低分類精度。最優全連接層數量需結合網絡深度與數據集特性：淺層網絡可配置 2 - 3 層全連接層，深層網絡建議 1 - 2 層。
四、總結
全連接層是CNN中特征匯總的關鍵模塊，通過維度轉換為分類任務提供全局特征。然而，其固定輸入尺寸和空間信息丟失的缺陷催生了FCN等替代方案。實際應用中，需根據任務需求（如分類精度、輸入尺寸靈活性）選擇全連接層或FCN，并結合數據集特性調整全連接層參數（節點數、層數），以優化模型性能。
