神经网络 torch.nn---Linear Layers（nn.Linear）

torch.nn - PyTorch中文文档 (pytorch-cn.readthedocs.io)

torch.nn — PyTorch 2.3 documentation

nn.Linear

torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)

参数：

• in_features - 每个输入样本的大小
• out_features - 每个输出样本的大小
• bias - 若设置为False，这层不会学习偏置。默认值：True

形状：

• 输入: (N,in_features)(N , in_features)
• 输出： (N,out_features)(N , out_features)

变量：

• weight -形状为(out_features x in_features)的模块中可学习的权值
• bias -形状为(out_features)的模块中可学习的偏置

计算公式：

代码实例讲解

import torch
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10(root='./dataset', train=False, transform=torchvision.transforms.ToTensor(),
                                       download=True)
dataloader = DataLoader(dataset, batch_size=64,drop_last=True)
# shuffle 是否打乱   False不打乱
# drop_last 最后一轮数据不够时，是否舍弃 true舍弃
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.linear1 = Linear(196608, 10)

    def forward(self, x):
        output = self.linear1(x)
        return output

tudui = Tudui()

for data in dataloader:
    imgs, targets = data
    print(imgs.shape)  #torch.Size([16, 3, 32, 32])
    output= torch.flatten(imgs)# output = torch.reshape(imgs,(1, 1, 1, -1))
    print(output.shape) #torch.Size([1, 1, 1, 196608])
    output = tudui.forward(output)
    print(output.shape)

部分输出结果：

torch.flatten() 和torch.reshape() 

output= torch.flatten(imgs)
output = torch.reshape(imgs,(1, 1, 1, -1))

以上两行代码都是将图像展开成一行

• torch.flatten() 和torch.reshape() 的区别：

  • torch.flatten更方便，可以直接把图像变成一行

  • torch.reshape功能更强大，可任意指定图像尺寸