Softmax层和全连接层

        Softmax层和全连接层在深度学习模型中通常是紧密相关的，经常一起使用。

        全连接层（也称为线性层或密集连接层）是深度学习模型中常见的层之一，它将输入张量与权重矩阵相乘，并添加偏置项，然后应用激活函数。全连接层的输出通常被称为“logits”，它是模型对不同类别的预测结果。

            ​​​​​​​​​​​​​​

        在多类别分类任务中，全连接层的输出需要经过Softmax层来转换为概率分布。Softmax层接收全连接层的输出作为输入，并将其转化为每个类别的概率值。这样，模型就可以输出每个类别的预测概率。

        通常的模型结构是：全连接层的输出作为Softmax层的输入，Softmax层的输出作为模型的最终预测结果。这种结构可以使模型输出每个类别的概率，并用于计算损失函数、进行预测和评估模型性能。

        在训练过程中，Softmax层的输出通常与真实标签进行比较，以计算交叉熵损失（Cross-Entropy Loss）。然后，通过反向传播算法，模型的参数可以根据损失进行更新，以优化模型的性能。

        因此，全连接层和Softmax层通常一起使用，全连接层提供了模型的原始输出（logits），而Softmax层将其转换为概率分布，使模型可以输出每个类别的预测概率，并进行训练和预测。

全连接层nn.Linear()

   nn.Linear 是 PyTorch 中表示全连接层的类。全连接层也被称为线性层或密集连接层，它将输入数据的每个元素与权重相乘，并加上偏置，然后将结果传递给激活函数（可选）。nn.Linear 类提供了一个简单的接口来定义全连接层，并自动管理权重和偏置的初始化。

import torch
import torch.nn as nnm = nn.Linear(20, 30)
input = torch.randn(128, 20)
output = m(input)
print(output.size())

        这段代码创建了一个具有输入维度为 20 和输出维度为 30 的全连接层 m。然后，使用大小为 (128, 20) 的随机输入张量 input，将其传递给全连接层 m。最后，打印输出张量 output 的大小。根据输入的大小 (128, 20) 和全连接层的输出维度为 30，输出张量的大小应为 (128, 30)。

全连接层之前的数据

        全连接层之前的数据通常被称为特征向量（feature vector）或特征表示（feature representation），而不是特征图。特征图（feature map）通常指的是卷积神经网络中的中间输出，它是由卷积层生成的二维或三维数组。在卷积神经网络中，卷积层提取输入数据的特征，并生成特征图。然后，这些特征图会被展平并输入到全连接层，全连接层之前的数据就是特征向量或特征表示。全连接层将特征向量映射到最终的输出类别或标签上，输出的结果称为logits。