全连接层的前向传播是当前层的权重和上一层输出的乘积，再加上偏置量，公式表达就是
对于预训练好的网络来说，权重矩阵的形状是固定的，
以vgg16,512*7*7的特征输入为例，这个特征图进入全连接层之后就会被flatten成一个（25088，1）的向量，因此（500,25088）x（25088，1） ===> 输出矩阵的shape:(500,1)
对于预训练好的网络来说，权重矩阵的形状是固定的，如果输入图片大小不一样，那么全连接层之前的feature map也不一样，因此在全连接层就无法计算权重和上一层输出的乘积， 所以输入图像的大小必须是固定的。
