全连接层是实际进行分类的一层，全连接层接受图片特征值的输入，进行训练，训练完成后就可对输入的特征值进行分类。前面章节已经详细介绍过全连接神经网络的训练过程，此处不再赘述。
至此，我们已经完成了网络的全部训练，接下来可以使用网络识别图片了。让我们来看一个简单的例子:
我们将一个图片输入给卷积神经网络，得到的输出如上图所示，是一个包含12个元素的向量。
但是，我们怎么解读这个结果是”x”还是”o”呢?
我们通过将结果值与“x”和“o”的向量进行比较，来进行预测：
把X的向量表中的高值(1、4、5、10和11)加起来，得到和是5，对输入图像的结果向量做相同的处理(1、4、5、10和11项加起来)，得到的值是4.56。
把2个值相除，得到概率匹配是0.91!
现在让我们对向量表”o”做同样的处理:
得到概率匹配是0.51，概率0.51小于0.91，因此，我们可以得出结论，得到的输入图像是一个“x”!