请从原理和应用角度，阐述深度学习中的注意力机制与全连接层的区别和联系。

回答思路

1. 【回答框架 1】注意力机制是一种动态权重分配技术，它根据输入内容自适应地为不同位置或特征分配不同的重要性权重，从而突出关键信息。其核心是查询、键和值的计算，常见实现包括加性注意力和点积注意力。
2. 【回答框架 2】全连接层是经典的神经网络层，每个输出神经元与所有输入神经元相连，通过固定权重矩阵和偏置进行线性变换，再经激活函数引入非线性。其参数数量由输入和输出维度决定，不随输入内容变化。
3. 【回答框架 3】两者区别：注意力机制具有内容相关性，权重是动态计算的，能够捕捉长距离依赖，但计算量和内存占用可能较大；全连接层权重固定，参数共享性差，难以直接建模长距离关系，但实现简单、训练稳定。
4. 【回答框架 4】联系：全连接层可以看作一种特殊的注意力机制，当注意力权重固定且相等时，加权求和退化为线性组合；在Transformer等模型中，注意力层常与全连接层交替使用，前者捕捉全局关系，后者进行特征变换。
5. 【关键点 1】注意力机制的核心是动态权重，全连接层权重固定。
6. 【关键点 2】注意力机制能建模长距离依赖，全连接层受限于输入维度。
7. 【关键点 3】全连接层参数数量固定，注意力层参数不随序列长度变化。
8. 【关键点 4】两者常结合使用，例如Transformer中的自注意力和前馈网络。
9. 【易错点 1】避免混淆注意力机制与全连接层的权重维度：注意力权重是随输入变化的，而全连接层权重是固定的。
10. 【易错点 2】不要认为注意力机制一定能替代全连接层，两者在模型中有不同作用。