該層是對元素進行wise to wise的運算

1. 全連線層總述

下面首先給出全連線層的結構設定的一個小例子（定義在.prototxt檔案中） 

layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: 
 
"gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 0.1
    }
  }
}

2. 全連線層相關引數 

接下來，分別對全連線層的相關引數進行說明

（根據全連線層層的定義，它的學習引數應該為權值和bias，其他的相關引數都為hyper-paramers，在定義模型時是要給出的）

注：全連結層其實也是一種卷積層，只不過卷積核大小與輸入影象大小一致

lr_mult：學習率係數

放置在param{}中

該係數用來控制學習率，在進行訓練過程中，該層引數以該係數乘solver.prototxt配置檔案中的base_lr的值為學習率

即學習率=lr_mult*base_lr

如果該層在結構配置檔案中有兩個lr_mult，則第一個表示權值學習率係數，第二個表示偏執項的學習率係數（一般情況下，偏執項的學習率係數是權值學習率係數的兩倍）

inner_product_param：內積層的其他引數

放置在inner_product_param{}中

該部分對內積層的其他引數進行設定，有些引數為必須設定，有些引數為可選（因為可以直接使用預設值）

• 必須設定的引數

1. num_output：filter個數

• 其他可選的設定引數

1. 1. weight_filter：權值初始化方法，使用方法如下
      weight_filter{
            type:"xavier"  //這裡的xavier是一衝初始化演算法，也可以是“gaussian”；預設值為“constant”，即全部為0
      

      }

   2. bias_filter：偏執項初始化方法
      bias_filter{
            type:"xavier"  //這裡的xavier是一衝初始化演算法，也可以是“gaussian”；預設值為“constant”，即全部為0
      }
   3. bias_term：是否使用偏執項，預設值為Ture