解釋全連接神經網絡之前我們首先需要了解什么是神經網絡？
??人工神經網絡（Artificial Neural Network, ANN）簡稱神經網絡，可以對一組輸入信號和一組輸出信號之間的關系進行模擬，是機器學習和認知科學領域中一種模仿生物神經網絡的結構和功能的數學模型。用于對函數進行估計或近似，其靈感來源于動物的中樞神經系統，特別是大腦。神經網絡由大量的人工神經元（或節點）聯結進行計算，大多數情況下人工神經網絡能在外界信息的基礎上改變內部結構，是一種自適應系統。

那么神經網絡模型中 是怎么輸入和輸出數據的呢？
??過程：它在具有n個輸入一個輸出的單一的神經元模型的結構中，神經元接受來自n個其他神經元傳遞過來的輸入（樹突）信號，這些輸入信號通過帶權重的連接（軸突）進行傳遞，神經元收到總輸入值將經過激活函數f處理后產生神經元輸出（軸突末梢）。

全連接神經網絡是神經網絡的進一步層次疊加——多層的感知機
??全連接神經網絡（Multi-Layer Perception, MLP）或者叫多層感知機，是一種連接方式較為簡單的人工神經網絡結構，屬于前饋神經網絡的一種，其主要由輸入層、隱藏層和輸出層構成，并且在每個隱藏層中可以有多個神經元。 ??◎輸入層僅接收外界輸入，不進行任何函數處理，所以輸入層的神經元個數往往和輸入的特征數量相同。

??◎隱藏層和輸出層神經元對信號進行加工處理，最終結果由輸出層神經元輸出。而根據隱藏層的數量又可以分為單隱藏層MLP和多隱藏層MLP。每個隱藏層的神經元數量是可以變化的，通常沒有一個很好的標準用于確定每層神經元的數量和隱藏層的個數，這也是目前一直測試和探索的。

??隨著網絡的層數增加，每一層對于前一層次的抽象表示更深入。在神經網絡中，每一層神經元學習到的是前一層神經元值的更抽象的表示。例如第一個隱藏層學習到的是"圖標”的特征，第二個隱藏層學習到的是由"圖標”組成的"圖片”的特征，最后的隱藏層學習到的是由"圖片"組成的“視頻”的特征。當然層數增加之后，便有更多的神經元則就會有更強的表示能力，同時更容易造成網絡的過擬合，所以在使用全連接神經網絡時，對模型泛化能力的測試很重要，最好的方式是在訓練模型時，使用驗證集來驗證模型的泛化能力，且盡可能地去嘗試多種網絡結構，以尋找更好的模型，當然這樣往往需要耗費大量的時間。

??以上是對全連接神經網絡的初步理論認識，對于它不同層次模型的建立您可以在本欄目查閱。