全连接层：将所有局部特征整合得到完整的特征图，最后利用 softmax函数进行图像分类。（ ）
举一反三
- 中国大学MOOC: 在使用卷积神经网络对图像分类中，一般将最后一层全连接层（即与输出层相连的全连接层）的输出作为每幅图像的特征表达。
- 在使用卷积神经网络对图像分类中，一般将最后一层全连接层（即与输出层相连的全连接层）的输出作为每幅图像的特征表达。 A: 正确 B: 错误
- 关于卷积神经网络CNN，以下说法错误的是：（ ）。 A: CNN中的池化层用于降低特征图维数，以避免过拟合。 B: 由于卷积核的大小一般是3*3或更大，因此卷积层得到的特征图像一定比原图像小。 C: CNN中的全连接层常用softmax作为激活函数。 D: CNN由卷积层、池化层和全连接层组成，常用于处理与图像有关的问题。
- 对于卷积网络来说,以下说法正确的是:() A: 全连接层的作用就是分类，全连接层的每一个节点都与上一层的所有节点相连接，将前一层的特征进行进一步组合 B: 卷积神经网络前面的各层是将图像的低维特征映射到抽象特征空间，全连接层则将抽象特征映射到样本标记空间中 C: 损失函数的作用是用来估算模型的预测值 与实际值 的差距的函数 D: 卷积神经网络中的池化层又称为下采样层，该层的目的是降低特征图的维度，进而降低卷积神经网络的参数量，减少过拟合
- 隐藏层中的全连接层主要作用是将所有特征融合到一起