全连接神经网络 (FCNN)

全连接神经网络（Fully Connected Neural Network, FCN）是深度学习中最基础且广泛应用的模型架构。其核心特征在于网络中任意一层的输出节点与下一层的输入节点之间均存在全双向连接，无遗漏节点。这种结构使得模型能够捕捉输入数据的全局统计特征，通过多层非线性变换逐步构建高层抽象表示。尽管计算复杂度随数据维度呈平方级增长，限制了其在超大规模输入上的直接应用，但作为卷积神经网络等高级架构的基石，FCN 在图像分类、文本处理及回归预测等任务中仍具有不可替代的基础地位。

在现代计算架构中，全连接神经网络扮演着从基础感知到复杂推理的关键角色。它不仅是传统机器学习向深度学习过渡的桥梁，更是构建复杂视觉与语言模型的核心组件。其生态地位体现在：作为卷积神经网络（CNN）中局部感受野的补充，用于处理全局上下文信息；作为循环神经网络（RNN）中处理序列数据的最终分类层；以及在Transformer架构中作为注意力机制后的融合模块。尽管面临参数膨胀和训练效率的挑战，FCN 凭借其强大的特征表达能力，在中小规模数据集及特定任务场景中依然占据主导地位，是理解神经网络工作原理的入门与进阶必经之路。