【5】FC全连接层
原图片尺寸为9X9，在一系列的卷积、relu、池化操作后，得到尺寸被压缩为2X2的三张特征图。
全连接层在整个卷积神经网络中起到“分类器”的作用，即通过卷积、**函数、池化等深度网络后，再经过全连接层对结果进行识别分类。首先将经过卷积、**函数、池化的深度网络后的结果串起来，如下图所示
由于神经网络是属于监督学习，在模型训练时，根据训练样本对模型进行训练，从而得到全连接层的权重（如预测字母X的所有连接的权重）
在利用该模型进行结果识别时，根据刚才提到的模型训练得出来的权重，以及经过前面的卷积、**函数、池化等深度网络计算出来的结果，进行加权求和，得到各个结果的预测值，然后取值最大的作为识别的结果（如下图，最后计算出来字母X的识别值为0.92，字母O的识别值为0.51，则结果判定为X）
上述这个过程定义的操作为”全连接层“(Fully connected layers)，全连接层也可以有多个，如下图：