1. 卷积神经网络为什么最后接一个全连接层
在常见的卷积神经网络的最后往往会出现一两层全连接层，全连接一般会把卷积输出的二维特征图（feature map）转化成（N*1）一维的一个向量
全连接的目的是什么呢？因为传统的端到到的卷积神经网络的输出都是分类（一般都是一个概率值），也就是几个类别的概率甚至就是一个数--类别号，那么全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。
但是全连接的参数实在是太多了，你想这张图里就有20*12*12*100个参数，前面随便一层卷积，假设卷积核是7*7的，厚度是64，那也才7*7*64，所以现在的趋势是尽量避免全连接，目前主流的一个方法是全局平均值。也就是最后那一层的feature map（最后一层卷积的输出结果），直接求平均值。有多少种分类就训练多少层，这十个数字就是对应的概率或者叫置信度。
最简单的，重做系统，估计是你把网卡的相关东东改了，造成网卡驱动不对了。
3. 全连接神经网络和传统bp网的区别
?
一个是表示各层连接方式，一个表示训练方式。没有什么可比性。
4. 什么是全连接神经网络怎么理解“全连接”
1、全连接神经网络解析：对n-1层和n层而言，n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。
2、全连接的神经网络示意图：
3、“全连接”是一种不错的模式，但是网络很大的时候，训练速度回很慢。部分连接就是认为的切断某两个节点直接的连接，这样训练时计算量大大减小。
5. 为什么在卷积神经网络中全连接层4096维特征向量
通常为了计算的优化等缘故，维度一般取2的指数。
全连接层后续计算loss，总共类别应该会有上千类，所以之前的layer最好也是1000这种规模，所以一般取1024,2048,4096等。
通过在数据集上进行测试，可以跑出来一个结果比较好的网络结构
6. 电脑网络连接全连上了
大经小怪、
大经小怪、
大经小怪、
大经小怪、
大经小怪、
大经小怪、
7. 什么是资源受限型全互连网络
全连接网络本质上是把所有的输入与输出连接起来的单个交换机。其直径是1个链路，度数为N。交换机的失效将使整个网络不复存在；但是，一条链路的失效只会丢失一个节点。这样的网络的一个例子是简单的总线，我们可以利用它来作为描述这种网络基本特征的参考点，它的一个良好的性质是其成本随规模的扩展按0(N)上升。不幸的是,总线上同时只发生一次数据传输，所以整个带宽是O(1)，对分带宽也是如此。事实上，带宽的扩展比O(1)还差，因为随着端口的增加，RC延迟使得总线的时钟频率下降。(以太网实际上万画是一个位串连的分布总线；它的工作频率足够低，从而允许大量的物理连接。)另一种全连接的网络是交叉开关。它提供O(N)的带宽，但是互连的成本和交叉点的数量成正比，或者说0(N2 )。在这两种情况下，全连接网络实际上都不是可扩展的。这并不等于说它们不重要。独立的交换机内部通常是全连接的，为更大的网络提供了基本的构造模块，网络技术进步的一个关键指标是效能成本合算的交换机的度。随着VLSI芯片密度的上升，能够被一个有着效能成本合算的交换机全连接的节点的数量正在上升。
8. 由n个结点构成的星型拓扑网络中，共有多少个直接连接对于环形网络呢全连接的网状网络呢
全连接拓扑结构相当于一个完全图,直接连接数等于完全图边数.因此应该为N*(N-1)/2