什么是全连接层？它的作用是什么？
我们还是回到之前的草地场景中，假设现在的问题变成让机器判断该草地上是不是有一只猫存在，由于之前做的卷积操作，将草地分成了许多网格，如果场地上只有一只猫，那么只有一个网格是有猫的，而其他的网格都不存在猫，一个卷积核运算可以得到一个特征，如果按比例计算，显然存在猫的网格只有一个，大部分都是不存在的场景，那机器根据概率判断大概率会认定该草地上没有猫，这是不符合结果的。
全连接层是这样做的
好，那么接下来再用比较通俗的语言来总结，可以这样解释
在深度学习中，我们通常会用一个大型的神经网络来处理输入的数据，比如一张图片。全连接层就是这个神经网络中的一个重要组成部分，它会将上一层的所有神经元和当前层的所有神经元都连接起来，这样就能形成一个非常复杂的神经网络。
这个全连接层的作用就是将之前提取的特征（也就是上一层的神经元输出）传递给下一层，并且可以通过大量的数据训练，让网络自动学习如何识别不同的模式。这些模式可以是任何东西，比如识别手写数字、识别人脸、识别物体等等。
总之，全连接层就是深度学习中的一种神经网络层，它可以让神经网络更好地学习到数据中的模式，从而提高分类或回归任务的准确性。
pytorch中的全连接层
在PyTorc
