nn.Linear的基本定义
nn.Linear定义一个神经网络的线性层，方法签名如下：
torch.nn.Linear(in_features, # 输入的神经元个数
out_features, # 输出神经元个数
bias=True # 是否包含偏置
)
Linear其实就是对输入 执行了一个线性变换，即：
其中是模型要学习的参数，
的维度为
,
是o维的向量偏置，
为输入向量的行数（例如，你想一次输入10个样本，即batch_size为10，则
），
为输入神经元的个数（例如你的样本特征数为5，则
），
为输出神经元的个数。
使用演示：
from torch import nn
import torch
model = nn.Linear(2, 1) # 输入特征数为2，输出特征数为1
input = torch.Tensor([1, 2]) # 给一个样本，该样本有2个特征（这两个特征的值分别为1和2）
output = model(input)
output
tensor([-1.4166], grad_fn=<AddBackward0>)
我们的输入为[1,2]，输出了[-1.4166]。可以查看模型参数验证一下上述的式子：
# 查看模型参数
for param in model.parameters():
print(param)
Parameter containing:
tensor([[ 0.1098, -0.5404]], requires_grad=True)
Parameter containing:
tensor([-0.4456], requires_grad=True)
可以看到，模型有3个参数，分别为两个权重和一个偏执。计算可得：
实战
假设我们的一次输入三个样本A,B,C（即batch_size为3），每个样本的特征数量为5：
A: [0.1,0.2,0.3,0.3,0.3]
B: [0.4,0.5,0.6,0.6,0.6]
C: [0.7,0.8,0.9,0.9,0.9]
则我们的输入向量 为：
X = torch.Tensor([
[0.1,0.2,0.3,0.3,0.3],
[0.4,0.5,0.6,0.6,0.6],
[0.7,0.8,0.9,0.9,0.9],
])
X
tensor([[0.1000, 0.2000, 0.3000, 0.3000, 0.3000],
[0.4000, 0.5000, 0.6000, 0.6000, 0.6000],
[0.7000, 0.8000, 0.9000, 0.9000, 0.9000]])
定义线性层，我们的输入特征为5，所以in_feature=5，我们想让下一层的神经元个数为10，所以out_feature=10，则模型参数为：
model = nn.Linear(in_features=5, out_features=10, bias=True)
经过线性层，其实就是做了一件事，即：
具体表示则为：
其中 就表示第
个样本，
表示所有输入神经元到第
个输出神经元的权重。
注意：这里图有点问题，应该是
因为有三个样本，所以相当于依次进行了三次 ，然后再将三个
叠在一起
经过线性层后，我们最终的到了维的矩阵，即 输入3个样本，每个样本维度为5，输出为3个样本，将每个样本扩展成了10维
model(X).size()
torch.Size([3, 10])
参考资料
nn.Linear官方文档：https://pytorch.org/docs/stable/generated/torch.nn.Linear.html
文章出处登录后可见！
已经登录？立即刷新
