Pytorch 神经网络模块之 Linear Layers

1. torch.nn.Linear

   PyTorch 中的 nn.linear() 是用于设置网络中的全连接层的，需要注意的是全连接层的输入与输出都是二维张量，一般形状为 [batch_size, size]。

"""
in_features: 指的是输入矩阵的列数，即输入二维张量形状 [batch_size, input_size] 中的 input_size，代表每个样本 x 的特征数，也是输入层神经元的个数
out_features: 指的是输出矩阵的列数，即输出二维张量形状 [batch_size，output_size] 中的 output_size，代表每个样本输出 y 的特征数，也是输出层神经元的个数
bias: 如果为 True，则网络的输出需要再加上一个偏置向量，维度为 output_size
"""
class torch.nn.Linear(in_features，out_features，bias=True)

   这个网络所作的变换为：

$$Y = XA^{T} + b$$

   这里的 $X$ 是一个矩阵，而不是向量，一般将一个 batch 中的样本组成一个输入矩阵，矩阵 $X$ 的每一行代表一个输入样本，举个例子：

    

   输入是一个形状为 $(4, 6)$ 的矩阵，也就是说这个矩阵由 $4$ 个样本组成，每个样本有 $6$ 个维度的特征，$W^{T}$ 是全连接层的权重矩阵，

   形状为 $(6, 10)$，也就是说，每个输入样本($X$ 的每一行)在这个矩阵的作用下，输出维度变为 $10$(向量)，即输入层有 $6$ 个神经元，输

   出层有 $10$ 个神经元，$b$ 是个偏置向量，它的维度等于输出神经元的个数 $10$，但是 $XW^{T}$ 的输出是一个 $4 imes 10$ 的矩阵，它是

   没办法和一个向量相加的，所以这就利用到了 Tensor 的广播机制，形状 $(4,10)$ 和形状 $(10)$ 由于缺失可以触发广播机制(该博客底部) ，

   即最终执行的操作为：

    

   矩阵 $Y$ 的每一行就是每个样本对应的神经网络的输出，一共 $4$ 个样本，所以矩阵 $Y$ 的形状为 $(4,10)$。

import torch

X = torch.randn(128, 20)          # 输入的维度是（128，20）
model = torch.nn.Linear(20, 30)   # 20,30 是指维度
Y = model(X)
print('model.weight.shape: ', model.weight.shape)  # 矩阵
print('model.bias.shape: ', model.bias.shape)      # 向量
print('output.shape: ', Y.shape)                   # 矩阵

# 等价于下面的
ans = torch.mm(X, model.weight.t()) + m.bias # Y = XW.T + b
print('ans.shape: ', ans.shape)

"""
model.weight.shape:  torch.Size([30, 20])
model.bias.shape:  torch.Size([30])
output.shape:  torch.Size([128, 30])
ans.shape:  torch.Size([128, 30])
"""