关于全连接层的多选题练习，并附有答案。这些是机器学习模型中在功能和计算方面最重要的层。
如果你想复习这个概念，请阅读这篇文章👉。全连接层。Surya Pratap Singh撰写的《机器学习模型的蛮力层》。
让我们从问题开始。点击正确的选项，答案将被解释。
问题1
什么是全连接层？
它是产生输出的阶段
它是CNN的最后一层
它是CNN的第一层
它是所有层都连接的阶段
FC层研究哪些高水平的特征与某一特定类别有最强的相关性，并有特定的权重，这样当你计算权重与前一层之间的乘积时，你就能得到不同类别的正确概率。
问题2
如果全连接层给了我们这样的输出，这意味着什么。[.15, .15, .60, .10]
它说的是每个类别的概率
这意味着我们到目前为止做了多少次迭代
说明我们使用了多少个特征
FC没有给我们这样的输出
对于这个输出，FC告诉我们，第一和第二类有15%的概率。第三类有60%的概率，第四类有10%。
问题3
全连接层是如何工作的？
检测一个输入并产生一个输出
根据特征生成输出
检测一个输出并生成一个输入
根据特征生成输入
这个层基本上是接受一个输入量（不管前面的conv或ReLU或pool层的输出是什么），然后输出一个N维向量，其中N是程序要选择的类的数量。
问题4
考虑到上面的图片，哪个数字代表全连接层？
2
3
1
无
我们可以看到，在Conv和Pooling层之后，FC会提供我们的输出。
问题5
全连接层可以在没有协商层的情况下使用吗？
可以
不可以
仅用于文本
仅限图像
FC层可以在没有Conv层的情况下使用。与CNN最大的不同之处在于Conv层，它更专业，可以发现更多更复杂的特征。然后，FC分析这些由Conv层产生的采样，然后创建输出。如果没有Conv层，FC可以很好地使用，但在像图像这样的复杂情况下，它就不那么有效了。
问题6
为什么康夫层没有被全连接层取代？
计算成本高
性能上
准确度
Conv层可以被FC层所取代
全连接层只出现在CNN的末尾是有原因的。根据你所分析的内容的大小，你会有太多的参数，增加了成本和所需的资源。Conv层将其减少到最重要的特征，保持相当的效率。
问题7
一般来说，在机器学习模型中，全连接层会消耗多少时间？
10%
30%
5%
70%
总体而言，全连接层消耗了10%的推理时间。计算最密集的操作是卷积，占推理时间的70%。
问题8
在3D图像的机器学习模型中，全连接层的时间复杂性是多少？
O(D*W*H*N)
O(H*W)
O(H^2 * W^2)
O(W*H*N)
全连接层的时间复杂度是O(D*W*H*N)，其中D=输入的通道，W=输入的宽度，H=输入的高度，N=输入的批量大小。
问题9
全连接层可以做什么？
分类
特征提取
降维
特征检测
在机器学习模型中进行特征提取后，我们需要将数据分为不同的类别，这可以通过全连接（FC）神经网络来完成。
问题10
在TensorFlow v2.x中，全连接层（tf.contrib.layer.full_connected()）已被删除。现在如何使用它？
tf.keras.layer.Dense
tf.layer.fully_connected()
tf.full_connected()
tf.layer.Dense
在TensorFlow v2.x中，tf.contrib已经被移除。全连接层可以使用tf.keras.layer.Dense，但你需要使用Keras API。
通过OpenGenus上关于全连接层的这些问题，你一定对全连接层有了很好的了解。请欣赏。
