nn.Linear定义一个神经网络的线性层：
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
)
nn.Linear其实就是对输入（n表示样本数量，i表示样本特征数）执行了一个线性变换，即：
其中W矩阵是模型要学习的参数，b是1*O的向量偏置(即1行O列)，n表示输入向量的个数(也可以理解为行数，比如一次输入100个样本数据，则n=100)，i为每个样本的特征数，也可以理解为神经元的个数，O为输出样本的特征数，即输出神经元的个数。
from torch import nn
import torch
model = nn.Linear(3, 1) # 每个样本输入特征数设置为3，输出特征数设置为1
input = torch.Tensor([2, 4, 6]) # 给一个样本，该样本有3个特征，这3个特征分别是2、4、6
output = model(input)
print("nn.Linear 输出大小：{}".format(output.shape))
print(output)
print("")
print("查看模型参数W和b的值")
# 查看模型参数
for param in model.parameters():
print(param)
输出：
nn.Linear 输出大小：torch.Size([1]) #输出结果表示只有一个样本输出，且该样本只有一个特征值1
tensor([-0.7842], grad_fn=<AddBackward0>)
查看模型参数W和b的值
Parameter containing:
tensor([[ 0.2353, -0.5686, 0.1759]], requires_grad=True)
Parameter containing:
tensor([-0.0356], requires_grad=True)可以看到，模型有4个参数，分别为W的三个权重和b的一个偏置。手动计算验证结果：
0.2353*2 + (-0.5686)*4 + 0.1759*6 + (-0.0356) = -0.7839999999999997
假设有5个输入样本A、B、C、D、E（即batch_size为5），每个样本的特征数量为3，定义线性层时，输入特征为3，所以in_feature=3，想让下一层的神经元个数为5，所以out_feature=5，则模型参数为：
model = nn.Linear(in_features=3, out_features=5, bias=True)
此时参数矩阵W大小为3行3列
from torch import nn
import torch
model = nn.Linear(3, 5) # 每个样本输入特征数设置为3，输出特征数设置为1
input = torch.Tensor([[2, 4, 6],[8,10,12],[14,16,18],[20,22,24],[26,28,30]]) # 给一个样本，该样本有3个特征，这3个特征分别是2、4、6
print(input)
output = model(input)
print("nn.Linear 输出大小：{}".format(output.shape))
print(output)
print("")
print("查看模型参数W和b的值")
# 查看模型参数
for param in model.parameters():
print(param)
输出：
tensor([[ 2., 4., 6.],
[ 8., 10., 12.],
[14., 16., 18.],
[20., 22., 24.],
[26., 28., 30.]])
nn.Linear 输出大小：torch.Size([5, 5])
tensor([[ -0.9616, -0.9744, 2.6266, -0.5605, -4.2236],
[ -1.7251, -4.4417, 5.9969, -1.3649, -11.0200],
[ -2.4886, -7.9090, 9.3673, -2.1692, -17.8163],
[ -3.2522, -11.3763, 12.7376, -2.9736, -24.6127],
[ -4.0157, -14.8436, 16.1079, -3.7779, -31.4090]],
grad_fn=<AddmmBackward>)
查看模型参数W和b的值
Parameter containing:
tensor([[ 0.0714, 0.1456, -0.3443],
[-0.5098, -0.0893, 0.0211],
[ 0.3489, -0.2682, 0.4811],
[ 0.0768, -0.3863, 0.1755],
[-0.2832, -0.4325, -0.4170]], requires_grad=True)
Parameter containing:
tensor([ 0.3789, 0.2753, 0.1153, -0.2216, 0.5748], requires_grad=True)第一个样本特征为[2、4、6]，输出为[ -0.9616, -0.9744, 2.6266, -0.5605, -4.2236]，验证过程如下：
%w是模型参数矩阵
w = [[ 0.0714, 0.1456, -0.3443],
[-0.5098, -0.0893, 0.0211],
[ 0.3489, -0.2682, 0.4811],
[ 0.0768, -0.3863, 0.1755],
[-0.2832, -0.4325, -0.4170]];
x = [2,4,6];
b = [0.3789, 0.2753, 0.1153, -0.2216, 0.5748]; %偏置向量
x*w'+b
输出：
-0.9617 -0.9749 2.6269 -0.5602 -4.2236第2个样本验证：
w = [[ 0.0714, 0.1456, -0.3443],
[-0.5098, -0.0893, 0.0211],
[ 0.3489, -0.2682, 0.4811],
[ 0.0768, -0.3863, 0.1755],
[-0.2832, -0.4325, -0.4170]];
x = [8,10,12];
b = [0.3789, 0.2753, 0.1153, -0.2216, 0.5748];
x*w'+b
输出：
-1.7255 -4.4429 5.9977 -1.3642 -11.0198
第3、4、5个样本的验证过程类似，从以上验证可以看出，所有样本共享参数矩阵W和偏置b
因为有5个样本，所以相当于依次进行了5次以上操作。
该操作重复了5次，每个样本重复一次：
然后再将5个叠加在一起，得到5*5的输出
