CNN 中是否需要全连接层？

不。事实上，你可以用卷积模拟一个全连接层。没有全连接层的卷积神经网络 (CNN) 称为全卷积网络 (FCN)。有关更多信息，请参阅此答案。

FCN 的一个例子是u-net，它不使用任何全连接层，而仅使用卷积、下采样（即池化）、上采样（反卷积）以及复制和裁剪操作。然而，u-net 用于对像素进行分类（更准确地说，是语义分割）。

此外，您可以仅将 CNN 用于特征提取，然后将这些提取的特征提供给另一个分类器（例如 SVM）。事实上，迁移学习是基于 CNN 提取可重用特征的思想。

人们在卷积层之后使用 FC 的原因是 CNN 保留了空间信息。你说你使用softmax，所以你可能会做一些分类任务。如果您不使用 FC 层，那么您可能会通过第一个内核的第一个位置评估第一类，而不是通过所有内核的整个图像，第二类通过内核的第二个位置等等。

密集网络结合了来自所有位置的所有内核的信息。

也就是说，从技术上讲，您可以将 FC 转换为 Conv 网络，如此处所述，因此您可以说您“跳过”了 FC 层。

理论上，您不需要全连接 (FC) 层。FC 层用于在反向传播期间引入更新权重的范围，因为它能够引入更多的连接可能性，因为 FC 的每个神经元都连接到其他层的每个神经元。