CNN中FC层数值计算方法 池化层到全连接层维度推导

1. 400维度的推导方式 #

这里的数值偏差来自通道数的配置记忆误差：对应网络结构中Pool1层的输出通道数为16而非10，三维特征图实际维度为5×5×16。
卷积、池化层的输出为三维特征图，结构为「特征图高度 × 特征图宽度 × 输出通道数」，在接入全连接层前需要经过Flatten（展平）操作，将三维特征图的所有元素按顺序拼接为一维向量，向量总长度为三个维度的乘积：
5 * 5 * 16 = 400
这就是第一个全连接层输入维度400的来源。如果按10个通道计算，展平后总长度仅为250，无法得到400的维度值，核对卷积层输出通道配置即可确认该差异。

2. 400→120、120→80的映射规则 #

全连接层的输出维度（即120、80）是网络设计阶段手动设定的超参数，对应层的神经元总数，不需要像卷积、池化层那样通过卷积核尺寸、步长、填充值推导，计算逻辑为固定的线性变换+非线性激活：

• 400维映射到120维的FC层：层内包含形状为(400, 120)的可训练权重矩阵，以及长度为120的可训练偏置向量。计算时将上一层输出的400维一维向量与权重矩阵做矩阵乘法，逐元素叠加偏置值，再经过激活函数（常用ReLU、Sigmoid），最终输出120维特征向量。该层总参数量为400*120 + 120 = 48120，额外的120为偏置参数。
• 120维映射到80维的FC层：计算逻辑与上一层完全一致，仅权重矩阵形状变为(120, 80)，偏置向量长度为80，经矩阵乘、加偏置、激活后输出80维特征向量。

内容的提问来源于stack exchange，提问作者Qasim0787