---
title: "全連接層（Fully Connected Layer）"
slug: fully-connected-layer
language: zh-TW
source: https://aiterms.tw/terms/fully-connected-layer
updated_at: 2026-06-22
tags: [深度學習, 神經網路, 模型訓練, AI基礎]
ipas_term: false
---

# 全連接層（Fully Connected Layer）

神經網路中每個神經元都與前一層所有神經元相連的層級，每條連接都有獨立的可學習權重，能進行高度非線性的特徵轉換，常用於網路最後階段進行分類或迴歸。

## 完整說明

全連接層是傳統神經網路的基本構成單元，每個神經元接收前一層所有輸入，與對應的權重相乘並求和，再經過激活函數非線性變換得到輸出。每條連接都是獨立的可學習參數。相比卷積層的局部連接和參數共享，全連接層提供最大的表達能力，但參數數量和計算量也最大。通常用於深度學習網路的最終層進行分類決策或迴歸預測。

## 常見問題

### 為什麼全連接層容易導致過擬合，如何解決？

全連接層參數眾多，擁有很高的模型容量。在數據有限的情況下，網路容易記住訓練樣本的細節而非學習泛化特徵。解決方案包括：使用正則化（L1/L2）限制權重大小、應用 Dropout 隨機丟棄神經元、使用提前停止（early stopping）監控驗證集性能、增加訓練數據、使用批正規化穩定訓練。這些技術合理組合能有效緩解過擬合。

### 全連接層為什麼需要激活函數，不用行不行？

不用激活函數的全連接層只進行線性變換 y = Wx + b。多層線性變換的組合仍是線性變換，無法增加模型表達能力。激活函數（如 ReLU、Sigmoid、Tanh）引入非線性，使多層網路能逼近任意非線性函數。實踐表明，沒有激活函數的深層網路性能很差，無法解決複雜問題。

### 全連接層的權重初始化為什麼這麼重要？

不恰當的初始化會導致梯度消失或爆炸。例如，權重過大時，梯度也很大，容易爆炸；權重過小時，梯度消失，網路難以訓練。Xavier 初始化和 He 初始化考慮層的輸入輸出維度，確保信號在前向傳播中保持合理尺度，反向傳播中梯度也保持穩定。合適的初始化能顯著加快訓練收斂。

---

來源：https://aiterms.tw/terms/fully-connected-layer
快查頁：https://aiterms.tw/terms/fully-connected-layer
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-fully-connected-layer