全连接神经网络的结构

全连接神经网络（Fully Connected Neural Network，FCN）是一种基本的前馈神经网络架构，每个节点（神经元）与前一层的所有节点相连。这种结构没有预先定义的局部连接或共享权重，信息在整个网络中自由流动。

FCN的结构通常包括以下几个关键部分：

1. 输入层：接受原始数据，如图像像素、文本特征等。
2. 隐藏层：由多个全连接的神经元组成，每一层都对上一层的输出进行线性变换和非线性激活（如ReLU、sigmoid或tanh），形成逐层抽象的表示。
3. 权重和偏置：每条连接都有相应的权重，用来调整信号强度；每个神经元还有一个偏置项，用于控制激活函数的输出位置。
4. 输出层：根据任务的不同，可能是分类任务中的 softmax 层（多分类）、回归任务中的线性层（回归预测），或者其他特定类型的层，如二分类的 sigmoid 层。
5. 激活函数：非线性函数，如 ReLU，为模型增加非线性能力，使得网络能够学习复杂的数据模式。