将全连接层替换为卷积层的意义（CNN和FCN）

全连接层：CNN

将特征整合，用于分类，在图像中具体化为知道图像中有猫，但是不知道猫在哪儿。

在传统CNN中，输入是唯一确定大小的。因为全连接层要求输入是固定的。

全卷积网络：FCN

不仅可以用来分类，而且可以定位分类出的图像部分（实现每个像素的预测）。

它还有一个重要的作用就是不限制输入图像的尺寸。

替换方法：将全连接层替换为1*1的卷积核+转置卷积层

1*1的卷积核用于降低通道数。很多说法是说1*1的卷积核和全连接层的作用很相似，所以在这里分类图像。至于为什么效果是等同的，我还没研究明白，研究明白了回来补上。

转置卷积层用于图片扩大（池化层降维了）。

输出：带标签的热力图