Neural network 在完全连接的1（fc1）层中，输入展平值来自何处（MNIST示例）

下面是一些卷积神经网络示例代码，来自Pytorch在github上的示例目录：

如果我理解了这一点，我们需要将最后一个卷积层的输出展平，然后才能将其通过线性层（fc1）。所以，看看这段代码，我们看到第一个完全连接层的输入是：9216

---

这个数字（9216）从何而来？

为了计算线性/完全连接层的输入形状，您还需要查看

向前

方法和网络输入形状。在MNIST的情况下，我们有一个单通道28x28输入图像。使用来自的以下公式，可以计算每个卷积运算的输出形状。该操作遵循与卷积层相同的输入输出关系

由于展平前输入的形状为64通道12x12特征映射，因此特征的总大小为

64*12*12=9216

conv2d和max_pool2d操作的输入/输出关系

def转发（自身，x）：
“”“对于更改要素形状的每一行，添加注释
表示->“”“
x=self.conv1（x）#[1,28,28]->[32,26,26]
x=F.relu（x）
x=self.conv2（x）#[32,26,26]->[64,24,24]
x=F.relu（x）
x=F.max_pool2d（x，2）#[64,24,24]->[64,12,12]
x=自辍学1（x）
x=火炬。展平（x，1）#[64，12，12]->[9216]
x=self.fc1（x）#[9216]->[128]
x=F.relu（x）
x=自辍学2（x）
x=self.fc2（x）#[128]->[10]
输出=F.log\u softmax（x，dim=1）
返回输出

谢谢您的回答。这是非常简单的解释，我现在能理解了。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = nn.Dropout2d(0.25)
        self.dropout2 = nn.Dropout2d(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)