卷积层的输出代表数据中的高级特征。虽然该输出可以被展平并连接到输出层，但添加全连接层是学习这些特征的非线性组合的（通常）便宜的方法。

本质上，卷积层提供了一个有意义的、低维的、有点不变的特征空间，而全连接层正在学习该空间中的（可能是非线性的）函数。

注意：从 FC 层转换为 Conv 层很简单。如本页所述，将这些顶部 FC 层转换为 Conv 层可能会有所帮助。

我发现 Anil-Sharma在Quora上的这个回答很有帮助。

我们可以将整个网络（用于分类）分为两部分：

• 特征提取：在传统的分类算法中，如支持向量机，我们习惯于从数据中提取特征以进行分类。卷积层用于特征提取的相同目的。CNN 可以更好地表示数据，因此我们不需要进行特征工程。

• 分类：特征提取后，我们需要将数据分类为各种类别，这可以使用全连接 (FC) 神经网络来完成。代替全连接层，我们还可以使用传统的分类器，如 SVM。但我们通常最终会添加 FC 层以使模型端到端可训练。