请从计算过程、参数数量、空间特征处理和应用场景等角度，说明全连接层与卷积层之间的主要区别。

回答思路

1. 【回答框架 1】全连接层的每个神经元与上一层所有神经元相连，通过权重矩阵做线性变换后接激活函数，参数量大，计算量随输入维度平方增长，不保留空间结构，适用于特征向量级的全局映射。
2. 【回答框架 2】卷积层通过卷积核在输入上滑动做局部加权求和，权重共享且局部连接，参数量大幅减少，能保留输入的空间位置关系，适合处理图像等网格结构数据。
3. 【回答框架 3】从参数数量看，全连接层参数为输入节点数乘输出节点数，卷积层参数为核尺寸乘输入通道乘输出通道，通常远小于全连接层，便于训练并降低过拟合风险。
4. 【回答框架 4】从应用场景看，全连接层常用于分类、回归等将高层语义映射到输出，卷积层常用于提取局部特征并堆叠形成多尺度表示，主流CNN在末端接全连接层或全局池化。
5. 【回答框架 5】两者可组合使用，但现代网络常用全局平均池化替代全连接层以减少参数并提升泛化，理解差异有助于设计高效网络结构。
6. 【关键点 1】全连接层是全局连接，卷积层是局部连接和权重共享。
7. 【关键点 2】卷积层参数量和计算量远小于同规模全连接层。
8. 【关键点 3】卷积层保留空间结构，全连接层破坏空间结构。
9. 【关键点 4】卷积层适合特征提取，全连接层适合特征映射与分类。
10. 【关键点 5】实际中常用全局池化替代最后的全连接层以降低参数。
11. 【易错点 1】不能简单说卷积层一定比全连接层好，需结合任务和数据规模。
12. 【易错点 2】忽略卷积层感受野和通道数对参数量的影响，比较时应固定输入输出维度。
13. 【易错点 3】将全连接层的全局特性与卷积层的局部特性混为一谈，导致后续设计错误。