文章总结： 本文详解深度学习中卷积层与全连接层的维度转换问题，指出卷积层输出4D张量与全连接层输入2D张量的不匹配。提出了显式使用Flatten层或利用DL4J隐式自动处理两种解决方案，并给出了卷积、池化输出及展平特征数的计算公式。结合MNIST分类案例演示了具体计算过程，同时介绍了使用DL4J自动推断与验证维度的方法，帮助开发者避免构建网络时的维度错误。 综合评分： 85 文章分类： 其他

卷积层与全连接层的维度转换

原创

豆豆 豆豆

豆豆咨询

2026年1月16日 17:08 浙江

在深度强化学习中，模型的不同层所处理的数据维度通常是不同的，这就涉及到维度转换了。以下将介绍卷积层ConvolutionLayer与全连接层DenseLayer的数据维度转换。

一、需要解决的问题：维度不匹配

// 常见错误示例

.layer(0,newConvolutionLayer.Builder(3,3).nOut(32).build())// 输出4D张量

.layer(1,newDenseLayer.Builder().nIn(???)// ❌ 不知道输入维度！

                        .nOut(128).build())

通常卷积层输出是4D张量：

[batch_size, channels, height, width]

或 [batch_size, height, width, channels]（取决于数据格式）

全连接层需要2D输入：

[batch_size, features]

二、维度转换的两种方法

方法1：Flatten层（显式展平）

方法2：隐式展平（DL4J自动处理）

三、维度计算的关键公式

1. 卷积层输出尺寸计算

2. 池化层输出尺寸计算

3. Flatten后的特征数量

四、完整计算示例：MNIST分类

输入：28×28灰度图

int height =28;int width =28;int channels =1;// 灰度图int batchSize =64;

网络架构：

五、使用DL4J的自动推断功能

自动计算nIn的方法：

验证维度的方法：

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：豆豆咨询 豆豆 豆豆《卷积层与全连接层的维度转换》