全连接层的定义和优点

全连接层（Fully Connected Layer），也称为密集连接层或全连接层，是神经网络中最常见的一种层类型。在全连接层中，每个神经元与上一层的所有神经元都有连接。

全连接层的定义：
全连接层是神经网络中的一种层类型，其中每个神经元与上一层的所有神经元都有连接。每个连接都有一个权重，用于调整输入信号的影响力，并通过激活函数进行非线性变换。全连接层通常用于将前一层的特征映射转换为输出结果。

全连接层的优点：
1. 表达能力强：全连接层可以学习到输入数据中的复杂模式和特征，因为每个神经元都可以接收来自上一层所有神经元的信息。
2. 灵活性高：全连接层可以适应不同大小和形状的输入数据，因为每个神经元都与上一层的所有神经元相连。
3. 参数共享：全连接层中的权重参数可以在不同位置共享，减少了需要学习的参数数量，提高了模型的训练效率。
4. 可以处理多类别分类问题：全连接层可以输出多个类别的概率分布，适用于多类别分类问题。