理工酷

首先定义。全卷积CNN（FCN）是所有可学习层都是卷积的，因此它没有任何全连接层。 一个由一些卷积层和几个全连接层组成的CNN和一个FCN (全卷积网络)的主要区别是:

输入图像尺寸：

如果你的网络中没有任何完全连接的图层，则可以将网络应用于几乎任何尺寸的图像。因为只有完全连接的层才需要一定大小的输入，所以在像AlexNet这样的体系结构中，你必须提供一定大小的输入图像（224x224）。

空间信息：

全连接层通常会导致空间信息丢失，因为它的“完全连接”性：所有输出神经元都连接到所有输入神经元。如果你在各种可能性中工作（例如不受约束的真实图像），则无法使用这种架构进行分割。

如果限于相对较小的空间，例如，完全连接的图层仍可以进行分割，少数具有有限视觉变化的对象类别，因此FC激活可以充当这些图像的足够统计信息。在后一种情况下，FC激活足以编码对象类型及其空间布置，这取决于FC层的容量以及损失函数。

计算成本和表示能力：

在卷积层和完全连接的层之间，计算与存储方面也存在一些区别，不过，我对此感到有些困惑。例如，在AlexNet中，卷积层占权重的90％（表示能力），但仅占计算量的10％；剩下的（10％的权重=>较少的表示能力，计算的90％）被全连接的层耗尽了。因此，通常研究人员开始倾向于拥有更多的卷积层，趋向于为所有事物建立全卷积网络。