PyTorch中的全连接层（fully connected layer）是神经网络中的一种常见层，它的主要作用是将输入向量转换为固定大小的输出向量。在全连接层中，每个输入节点都与每个输出节点相连，因此得名“全连接”。
具体来说，全连接层会对输入向量进行线性变换，即对每个输入节点都进行相同的线性变换，然后将结果作为输出向量的对应元素。这个线性变换通常由一个权重矩阵和一个偏置向量组成，其中权重矩阵决定了输入节点和输出节点之间的连接强度，偏置向量则决定了输出向量的基准值。
全连接层通常用于神经网络的末端，用于将前面层的特征进行整合并输出最终的分类或回归结果。在分类问题中，全连接层的输出通常会被送入一个激活函数（如softmax）以将输出转换为概率分布。在回归问题中，全连接层的输出则直接作为最终结果。
需要注意的是，全连接层在神经网络中的使用需要考虑到计算复杂度和内存消耗的问题，因为每个输入节点都需要与每个输出节点相连，所以当输入向量的维度很高时，全连接层的参数数量会非常大，容易导致过拟合和计算效率低下的问题。因此，在现代深度学习中，通常会使用卷积层、循环层等更加高效的层来替代全连接层。