是的，基本上一个典型的 CNN 由两部分组成：

• 卷积层和池化层，其目标是从图像中提取特征。这些是网络中的第一层。

• 最后一层，通常是完全连接的 NN，其目标是对这些特征进行分类。

后者确实有一个典型的方程（即 $f(W^T \cdot X + b)$）， 在哪里$f$是一个激活函数。通常在 CNN 的上下文中，$f$是一个ReLU，除了最后一层的激活函数，是根据问题的性质来选择的。最常见的情况是：

• Sigmoid 激活函数适用于二元分类问题。
• Softmax 激活函数实际上适用于二元和多类分类问题。
• 对于回归问题，最后一层没有激活。

最后一点我想说的是，在进入第一个 FC 层之前，前一层的输出是flattened。我的意思是该张量的（通常为 3 个）维度被布置成一个大维度。
例如一个形状为的张量$(5, 5, 32)$, 当展平时会变成$(5 \cdot 5 \cdot 32) = (800)$.

基本上，是的。但是为了将输入从卷积层或最大池化层传递到全连接层，您需要“展平”输入张量。也就是说，要么从卷积层展平张量/多维数组，要么使用诸如全局平均池之类的东西，将张量减少为向量。

您可以检查不同框架中的代码片段，这将有助于您了解该过程。

另外，应该注意的是，全连接层不仅用作 CNN 中输出类概率的最后一层，例如 VGG 网络，它们最后有 2-3 个全连接层。

最后一点，要获得课程分数，您通常（并非总是！）使用 Softmax，而不是简单的 sigmoid。Softmax 确保输出向量中的值之和等于 1。