我试图了解用于处理点云的PointNet网络并努力理解 FC 和 MLP 之间的区别：
“FC 是在每个点上运行的全连接层。MLP 是每个点上的多层感知器。”
我了解如何使用全连接层进行分类，并且我之前认为，MLP 是同一件事，但似乎不同的学术论文彼此之间以及与一般在线课程的定义不同。在 PointNet 中，它们似乎被用来表示不同的东西？
我的理解是，直到网络中的最大池为止，所有层对于 N 个点中的每一个都是相互独立运行的，然后 nx1024 层的输出被最大池化。那为什么要描述一个共享的 MLP 呢？
具有输入 3 个坐标的 MLP 如何导致 MLP 的输出为 64？还是从 64 到 1024？
如果这个 MLP 实际上是从所有 N 个点获取输入，那么 1024 个点如何导致 64 个宽的 MLP 层？
全局和局部特征是什么意思？
好吧，我在互联网上甚至在论文中都发现了很多令人困惑的材料。MLP 和 FC 层有点相似，但实际上并不相同。
1）简短的回答：
MLP - 具有 3 个全连接层和一个激活函数的迷你神经网络。
FC - 一个层，其神经元与每个输入神经元（来自前一层）都有连接。
2）深度回答。
FC： 首先，全连接层只是一层有多个“神经元”，它们连接到每个输入“神经元”。这就是它的名称“全连接”的由来：一切都与一切相连。
MLP： 接下来，MLP是一种多层感知，它是至少3个全连接层的组合：输入层、隐藏层、输出层。MLP 也有一个激活函数应用于隐藏层的每个神经元的输出。因此，流水线为：fc_in -> fc_hid -> 激活函数 -> fc_out。您可以将 MLP 视为一个微型神经网络（实际上 MLP 确实几乎是第一个 NN）。
此外，原始论文中提出的原始“感知器”实际上使用了一个特定的不可微激活函数 - Heaviside 函数（使用它的神经元可能只有“0”或“1”作为输出，中间没有任何内容）。然而现在没有人使用那个激活，因为我们需要通过它计算梯度。[目前，我们使用 ReLU 或类似的激活函数。]因此，目前您几乎找不到使用实际“MLP”的论文。
结论： 不幸的是，由于误解，许多人使用术语“MLP”作为“FC 层”的同义词，然而，这是不正确的。它们不可互换，我们不能使用术语 MLP 来描述 FC 层。在我看来，我根本不建议使用“MLP”一词，因为现在没有人真正使用“真正的”MLP 实现。
关于论文，我注意到作者通常在想要描述 FC 层及其后的任何激活函数的组合时使用“MLP”：
MLP: fc -> 激活函数
（输入-> MLP-> 输出）。
但是，由于上述原因，这种表示法并不完全正确。