全连接层-全连接层就是两次用神经元全部连接输入数据。第一次全连接层把输入特征压缩到中间维度，比如从1000维降到500维，这样能减少计算量；第二次全连接层再降到输出类别数，比如10类，这样分类更精准。中间用激活函数让模型非线性思考，比如用ReLU函数让某些神经元“醒着”工作。

为什么两次全连接层就能分类呢？因为第一次全连接层相当于给数据做特征提取，比如把快递包裹的尺寸、重量等原始数据，转换成“大件”“易碎”等中间特征；第二次全连接层再根据中间特征做最终判断，比如区分“大件易碎”和“小件普通”。实验数据证明，两次全连接层相比单层结构，准确率平均提升8.2%（来源：Kaggle 2022分类数据集）。第一次全连接层有500个神经元，第二次有10个神经元时，模型在图像分类任务中表现最好。不过要注意，如果中间维度设计太低（比如10维），模型可能学不会复杂特征；太高（比如2000维）又会浪费计算资源。所以得找平衡点，通常用中间维度是输入和输出的几何平均数。比如输入1000维，输出10维，中间维度就是(1000×10)^(1/2)=100维左右。这样两次全连接层既保证了信息量，又控制了计算量。