Dense / 全连接层 / Gemm — 综合全局特征理解与运用

Dense / 全连接层 / GEMM 解决的是"把前面提取出来的局部特征综合起来，做最终判断"的问题。

卷积层：发现局部特征，比如边缘、纹理、局部形状

Flatten：把这些特征摊平

Dense：把所有特征放在一起综合分析，最后输出分类结果

比如前面卷积已经知道：

左上角像眼睛

中间像鼻子

下方像嘴巴

那 Dense 层做的就是：

把这些零散特征拼起来，判断这是不是一张脸

Dense / 全连接层的作用，就是把前面提取到的全部特征做全局整合，输出最终结果。

所以这几个层你现在可以这样记：

Conv：提局部特征
ReLU：加非线性
Flatten：摊平数据
Dense：综合全局特征做判断

这套链条，你总算开始摸到 CNN 的骨架了。

cpp 复制代码

/* Dense1: 960 → 48 */
float input[960];      // Flatten 的输出
float output[48];
float weight[48][960]; // 权重矩阵（46,080 个参数）
float bias[48];

for (int j = 0; j < 48; j++) {         // 48 个输出神经元
    float sum = bias[j];
    for (int i = 0; i < 960; i++) {     // 与 960 个输入全连接
        sum += weight[j][i] * input[i];   // ← 1 次 MAC
    }
    output[j] = sum;
}
// Dense1 总计: 960 × 48 = 46,080 次 MAC

/* Dense2: 48 → 4 */
float input2[48];      // Dense1+ReLU 的输出
float output2[4];      // 最终输出 [Fx, Fy, Fz, Fn]
float weight2[4][48];
float bias2[4];

for (int j = 0; j < 4; j++) {
    float sum = bias2[j];
    for (int i = 0; i < 48; i++) {
        sum += weight2[j][i] * input2[i];
    }
    output2[j] = sum;  // → 接 Sigmoid 后变成 [0,1] 范围
}
// Dense2 总计: 48 × 4 = 192 次 MAC

权重和 MACs 占比

复制代码

权重占比：
  Conv1-3 合计: 66 KB（26.8%）
  Dense1:       180 KB（~73%）   ← 绝对大头
  Dense2:       0.8 KB（<1%）
  总计:         247 KB

MACs 占比：
  Conv1-3 合计: 725,760（93.5%）  ← 绝对大头
  Dense1:       46,080（5.9%）
  Dense2:       192（<0.1%）
  总计:         776,032

想减权重/Flash → 压缩 Dense1（比如 960→24 只用 90KB）
想减计算量/推理时间 → 优化 Conv 层（比如 DepthwiseConv）