什么是全连接神经网络？在PyTorch中如何构建一个全连接神经网络？

全连接神经网络（Fully Connected Neural Network, FCN）是一种最常见的神经网络架构，也称为多层感知器（Multilayer Perceptron, MLP）。每个节点（或称为神经元）都与前一层的所有节点相连，形成一种所有输入节点到输出节点的全连接方式。这种结构使得FCN能够处理任意维度的输入，并学习复杂的非线性关系。

在PyTorch中，构建一个全连接神经网络通常包含以下步骤：

1. 导入必要的库和模块：

import torch
import torch.nn as nn

2. 定义一个继承自`nn.Module`的类，这是在PyTorch中创建模型的标准做法：

class FCNet(nn.Module):
    def __init__(self, input_size, hidden_sizes, output_size):
        super(FCNet, self).__init__()
        # 初始化隐藏层和输出层
        self.layers = nn.ModuleList()
        self.layers.append(nn.Linear(input_size, hidden_sizes))  # 输入层到第一个隐藏层
        for i in range(len(hidden_sizes) - 1):  # 连接所有的隐藏层
            self.layers.append(nn.Linear(hidden_sizes[i], hidden_sizes[i+1]))
        self.output_layer = nn.Linear(hidden_sizes[-1], output_size)  # 最后一个隐藏层到输出层

    def forward(self, x):
        # 前向传播，应用激活函数
        for layer in self.layers:
            x = nn.functional.relu(layer(x))  # 假设使用ReLU作为激活函数
        out = self.output_layer(x)  # 输出层不加激活
        return out

在这里，`input_size`是输入特征的数量，`hidden_sizes`是一个列表，包含了隐藏层的大小，`output_size`是输出的类别数量。