linear_net = nn.Sequential(nn.AdaptiveAvgPool2d((6, 6)), nn.Flatten(), nn.Linear(256*6*6, 4))

`nn.Sequential` 是PyTorch库中的一个重要模块，用于构建神经网络模型的一种简洁方式，它会按照添加函数的顺序逐层处理输入数据。在这个例子中，`linear_net` 是一个序列模型，包含了三个组件：

1. `nn.AdaptiveAvgPool2d((6, 6))`: 这是一个平均池化层，适应性地调整输入的大小以保持固定尺寸（这里是 (6, 6)），这有助于减少特征图的维度，便于后续线性变换。

2. `nn.Flatten()`: 这是一个展平层，将上一层得到的一维矩阵展平成一维向量，以便连接到全连接层（Linear）。

3. `nn.Linear(256*6*6, 4)`: 这是一个全连接层（也称为密集层），其接收先前展平后的256 * 6 * 6个输入单元，并映射到4个输出单元，通常用于分类任务的最后一层。

`linear_net` 的工作流程可以这样理解[^1]:

# 假设input_data是一个形状为(批量大小, channels, height, width)的张量
linear_net(input_data) = AdaptiveAvgPool2d(input_data) -> Flatten() -> Linear(Flatten()的结果, 4)

具体操作如下：

x = torch.randn(1, 3, 224, 224) # 假设输入数据
linear_net = nn.Sequential(nn.AdaptiveAvgPool2d((6, 6)), nn.Flatten(), nn.Linear(256*6*6, 4))
result = linear_net(x)
print(result.shape) # 输出: torch.Size([1, 4])，表示每个样本有4个输出类别概率