torch.nn.Linear()详解

torch.nn.Linear就是神经网络中的线性层，可以实现形如y=X*weight^T+b的功能。
代码很简单（见后图），但有许多细节需要声明：

1）nn.Linear是一个类（继承自nn.Module），使用时需要先实例化；

2）实例化时，nn.Linear需要输入两个参数，in_features为上一层神经元的个数（输入），out_features为这一层的神经元个数（输出）；

3）不需要人为定义w和b，内部自动定义。（可以调用属性weight和bias来查看生成的w和b。其中w是必然会生成的，b可指定是否生成。默认 bias = True。如果我们不希望拟合训练b，实例化时将bias设置为False即可。）

4）由于w和b是随机生成的，所以同样的代码多次重复运行的结果是不一样的。如果希望每次相同，则可以使用torch中的random类。如：torch.random.manual_seed(420) ，人为设置随机数种子。

5）由于不需要定义常量b，因此在特征张量中，不需要留出与常数项相乘的那一列，只需要输入特征张量。

6）输入层只有一层，并且输入层的结构（神经元的个数）由输入的特征张量X决定，因此在PyTorch中构筑神经网络时，不需要定义输入层。

7）实例化之后，将特征张量输入到实例化后的对象中。

Linear.png

举例：

import torch
my_linear = nn.Linear(2, 3)  # in_features，out_features

print(my_linear.weight)  # 查看初始权重
print(my_linear.bias)  # 查看初始偏置项
# 输出：
Parameter containing:
tensor([[ 0.3783,  0.1461],
        [ 0.2027, -0.4043],
        [ 0.1937,  0.2775]], requires_grad=True)
Parameter containing:
tensor([ 0.0334,  0.4122, -0.6125], requires_grad=True)

input_data = torch.randn(10, 2) # 生成输入数据（data_number,in_features）
output_data = my_linear(input_data)  # 利用模型对输入数据进行处理

print(output_data)  # 查看输出结果
print(output_data.size())  # 查看输入数据的size，（data_number,out_features）
# 输出：
tensor([[ 0.2690, -0.1473, -0.2038],
        [ 0.6059,  1.3554, -0.5868],
        [ 0.2602,  0.2520, -0.3781],
        [-0.3441,  0.5592, -0.9525],
        [-0.4214,  0.8922, -1.1494],
        [-0.4387,  0.5287, -1.0094],
        [-0.3729,  0.7819, -1.0672],
        [ 0.3403,  1.0366, -0.6486],
        [ 0.2101,  0.3200, -0.4435],
        [-0.6475,  0.9181, -1.3268]], grad_fn=<AddmmBackward0>)
torch.Size([10, 3])

参考：
忘记参考哪个网页了，但肯定是参考的。见到可提醒我！谢谢