介绍一下卷积神经网络中的全连接层

卷积神经网络中的全连接层（Fully Connected Layer）是一个传统的神经网络层，它的作用是将卷积池化层提取到的特征图进行扁平化操作，然后连接一个或多个全连接层，最终输出分类结果。

全连接层的输入是一个二维矩阵，通常是将特征图展开成一维向量。每个神经元都与前一层所有神经元相连，相当于每个输入特征都与所有的权重相乘并加上一个偏置，然后通过激活函数进行非线性变换。全连接层的输出是一个向量，向量的维度与分类数相同。

全连接层的参数数量非常庞大，这也是卷积神经网络训练中的一个难点。为了避免过拟合，通常会在全连接层后面接一个Dropout层或者正则化方法进行优化。另外，全连接层的计算量也很大，因此在一些场景下，为了减少计算量，可以采用全局平均池化层代替全连接层。