如果是卷积之后的层

一定要先化为一个维度

exp:

x = x.view(x.size(),-1)

ps:

view函数的解释

把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。比如

a=torch.Tensor([[[1,2,3],[4,5,6]]])
b=torch.Tensor([1,2,3,4,5,6])

print(a.view(1,6))
print(b.view(1,6))

得到的结果都是tensor([[1., 2., 3., 4., 5., 6.]])

等于是将不同维度的数据化为一个维度，因为全连接层是只能接受一维度的数据的

由图可见全连接层必须是一维数据：

同时全连接下一层的输入必须上一层的输出

exp:

self.fc1 = nn.Linear(64*12*4, 256)
self.fc2 = nn.Linear(256, 128)
self.fc3 = nn.Linear(128, 64)