全连接概念，举例，代码，pytorch平台

全连接是一种神经网络的网络层结构，也被称为全连接层或密集连接层。它将前一层的每个神经元都连接到当前层的每个神经元，每个连接都有所谓的权重，这些权重可以被网络训练来捕获输入数据的重要特征。

以下是一个使用PyTorch实现全连接层的示例代码：

import torch.nn as nn

class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.fc1 = nn.Linear(784, 256) # 全连接层1，输入784维，输出256维
        self.fc2 = nn.Linear(256, 10) # 全连接层2，输入256维，输出10维
        
    def forward(self, x):
        x = x.view(x.shape[0], -1) # 将输入数据展平成784维
        x = nn.functional.relu(self.fc1(x)) # 经过激活函数ReLU的全连接层1
        x = self.fc2(x) # 最后一层，输出10维
        return x

在这个示例中，我们创建了一个名为NeuralNetwork的神经网络类，它有两个全连接层(fc1和fc2)。在forward()方法中，我们首先将输入数据转换为一个大小为`(batch_size, 784)`的张量，即每个输入数据有784维。接下来，我们将输入数据传递到第一个全连接层(fc1)中，该层将该784个输入神经元连接到256个输出神经元。之后，我们使用激活函数ReLU对全连接层进行激活。最后，我们通过第二个全连接层(fc2)输出一个大小为(batch_size, 10)的张量，其中每个输入数据都有10个输出神经元。