视频字幕
同学们，我们之前学了卷积神经网络怎么找图片里的各种线索或特征，比如边缘、形状等等。那找到这些线索后，怎么知道这张图片到底是什么呢？比如是猫还是狗？这就需要全连接层出场了！它就像是神经网络的决策者或大脑，负责把前面找到的所有线索汇总起来，然后做出最终的判断。
想象一下，前面找到的每个特征都是一个小灯泡。全连接层是另一排小灯泡。它的特别之处在于，全连接层的每一个小灯泡，都和前面那一排的所有小灯泡连着线！就像一张密密麻麻的蜘蛛网。每条连接线都有一个重要程度或者叫权重。全连接层就是把前面亮着的灯泡通过这些连接线传过来的信号加起来。如果加起来的总信号强度够高，它对应的那个灯泡比如猫的灯泡就会亮起来，表示它觉得这张图是猫。
现在我们详细看看全连接层是怎么工作的。在卷积层和池化层提取完特征后，这些特征会被展平，变成一长串数字。全连接层的每个神经元，都和前一层的所有神经元相连。每个连接线都有一个学习到的权重值，每个神经元还会有一个偏置值。对于全连接层里的每一个神经元，它会把前一层每个神经元的信号值，乘以它们之间的连接权重，然后把所有这些乘积加起来，最后再加上自己的偏置值。这个计算结果再通过一个激活函数来决定这个神经元输出多强的信号。最后一层输出的信号强度，就代表了网络认为这张图片属于各个类别的可能性大小。
总的来说，全连接层在卷积神经网络里扮演着整合信息和做出最终决策的角色。它接收前面层提取到的所有局部和抽象特征，通过复杂的连接和计算，学习如何将这些特征组合起来，从而区分不同的物体或类别。所以，它是CNN从看清局部细节到理解全局内容并给出最终答案的关键一步！全连接层就像是神经网络的智慧大脑，让计算机能够像人一样理解和识别图片中的内容。
同学们，今天我们学习了全连接层这个神奇的决策大脑。它就像是CNN的最后一道关卡，把前面所有找到的特征线索都汇总起来，通过复杂的计算和学习，最终告诉我们这张图片到底是什么。从输入一张图片，到卷积层找特征，池化层降维，最后全连接层做决策，整个过程就像人类看图片一样，先看细节，再理解整体，最后得出结论。全连接层让计算机真正拥有了像人一样看懂世界的能力！