全连接网络 (FCNN)

全连接网络，又称多层感知机（MLP），是人工神经网络中最基础且广泛应用的架构形式。其核心定义在于网络中任意一层的输出节点均与下一层的输入节点建立全双工连接，形成稠密参数空间。该架构不依赖空间或时序上的局部连接约束，能够学习输入特征与输出目标之间的高维非线性映射关系。尽管计算复杂度随网络规模呈平方级增长，但其强大的通用逼近能力使其成为处理表格数据、图像预处理及作为深度学习模型底层组件的关键技术。

在现代计算架构与机器学习生态中，全连接网络扮演着从原始数据到高层语义表示转化的基石角色。它不仅是传统机器学习（如支持向量机、逻辑回归）的神经网络实现形式，更是卷积神经网络（CNN）、循环神经网络（RNN）及Transformer等复杂架构中处理全局上下文信息的必要模块。其核心价值在于通过全参数化设计，最大化了特征组合的可能性，能够灵活适应从简单分类到复杂回归的各种任务。然而，随着数据维度提升，其参数量爆炸式增长带来的训练成本与过拟合风险，也促使工程界不断探索稀疏化与结构化连接等优化方案。