PyTorch实战：多层卷积与全连接网络输出方法详解（图像分类场景）

在构建卷积神经网络（CNN）模型时，灵活获取网络中间层的输出至关重要。无论是用于特征可视化、模型诊断，还是构建复杂的前向传播逻辑，掌握不同层级（卷积层、全连接层）的输出方法都是基本功。本文将以一个经典的图像分类场景为例，使用 PyTorch 框架，手把手演示两种常见的输出模式。

核心场景与输入数据

我们假设处理的是单张 28x28 像素的RGB图像（例如MNIST数据集的彩色化版本），批次大小为1。首先创建对应的随机输入张量。

import torch
import torch.nn as nn

# 定义输入张量x，模拟一个大小为 [batch_size, 通道, 高, 宽] 的图像
x = torch.rand(size=(1, 3, 28, 28))

方法一：获取多个卷积层的连续输出

在有些架构中（如特征金字塔网络），我们需要获取每一层 卷积神经网络 处理后的特征图。下面定义三个连续的卷积层，并依次进行前向传播。

# 定义第一个卷积层conv1
conv1 = nn.Conv2d(
    in_channels=3,
    out_channels=16,
    kernel_size=3,
    stride=2,
    padding=1
)

# 定义第二个卷积层conv2
conv2 = nn.Conv2d(
    in_channels=16,
    out_channels=32,
    kernel_size=3,
    stride=2,
    padding=1
)

# 定义第三个卷积层conv3
conv3 = nn.Conv2d(
    in_channels=32,
    out_channels=64,
    kernel_size=3,
    stride=2,
    padding=1
)

# 执行前向传播，每层的输出作为下一层的输入
x = conv1(x)
x = conv2(x)
x = conv3(x)

# 最终输出为第三个卷积层的特征图
output = x
print(f‘多个卷积层连续输出的形状：{output.shape}‘)

输出结果：

torch.Size([1, 64, 4, 4])

结果表示我们得到了一个包含64个通道、空间尺寸为4x4的特征图。

方法二：卷积层与全连接层组合输出

在标准的分类网络中，卷积层负责提取空间特征，而 全连接层 则负责将这些特征整合并映射到类别空间。这里我们在两个卷积层后接入三个全连接层。

# 重新初始化输入
x = torch.rand(size=(1, 3, 28, 28))

# 使用前面定义的conv1和conv2
# 定义第一个全连接层fc1（注意计算正确的输入维度）
fc1 = nn.Linear(in_features=32 * 7 * 7, out_features=64)
# 定义第二个全连接层fc2
fc2 = nn.Linear(in_features=64, out_features=32)
# 定义第三个全连接层fc3（假设是10分类任务）
fc3 = nn.Linear(in_features=32, out_features=10)

# 前向传播流程
x = conv1(x)  # 卷积层1
x = conv2(x)  # 卷积层2
# 将二维特征图展平为一维向量，以适应全连接层的输入
x = torch.flatten(x, start_dim=1)
x = fc1(x)    # 全连接层1
x = fc2(x)    # 全连接层2
x = fc3(x)    # 全连接层3（输出层）

output = x
print(f‘卷积层+全连接层组合输出的形状：{output.shape}‘)

输出结果：

torch.Size([1, 10])

结果表示网络输出了10个 logits 值，对应10个类别的预测分数。

关键点与实践意义

1. 维度变换：卷积层输出是四维张量 [N, C, H, W]，在输入全连接层前，必须通过 flatten 操作将其转换为二维张量 [N, -1]。start_dim=1 表示从通道维度开始展平，保留批次维度。
2. 特征传递：在第一种方法中，我们只关心卷积特征的逐层变换；第二种方法则是经典的“特征提取器（卷积）+分类器（全连接）”范式。
3. 参数计算：定义 nn.Linear 时，in_features 必须与展平后特征向量的长度严格一致，否则会引发运行时错误。这是搭建自定义网络时最常见的错误之一。

掌握这两种基础而重要的输出模式，是设计和调试更复杂深度学习模型（如多任务学习、注意力机制模型）的基石。在实际项目中，你可以将这些层封装到 nn.Module 子类中，构建结构清晰、可复用的网络模块。