全连接神经网络的网络结构

全连接神经网络（Fully Connected Neural Network，FCN）是一种基础且广泛应用的深度学习模型，其网络结构非常简单直观。每个神经元都与前一层的所有神经元相连，形成一种全连接的方式。这种结构适用于处理输入和输出之间可能存在复杂映射的问题，如图像分类、语音识别等。

以下是全连接神经网络的主要特点：

1. 输入层：接收原始数据，如图像像素或文本特征。
2. 隐藏层：包括多个全连接层，每个神经元对上一层的所有输入进行加权求和并加上偏置，然后通过激活函数（如sigmoid、ReLU或更现代的Leaky ReLU）计算出输出。
3. 权重和偏置：每个连接都有对应的权重参数，表示输入的重要性；偏置则用来调整神经元的激活阈值。
4. 输出层：根据任务不同，可能有分类层（softmax用于多分类，Sigmoid用于二分类）或回归层（线性层用于回归）。
5. 损失函数：衡量模型预测结果与实际标签之间的差距，常见的有交叉熵、均方误差等。
6. 反向传播：用于计算梯度并更新权重，使得模型逐渐优化预测性能。