pytorch中的全连接层代码

在 PyTorch 中，可以使用 `torch.nn.Linear` 类来实现全连接层。该类的构造函数有两个参数：输入特征数和输出特征数。下面是一个简单的例子：

import torch.nn as nn

# 定义一个全连接层，输入特征数为100，输出特征数为10
fc = nn.Linear(100, 10)

可以看到，上述代码中定义了一个输入特征数为100，输出特征数为10的全连接层。

在实际使用中，可以将全连接层作为神经网络的一部分进行组合。例如：

import torch.nn as nn

class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.fc1 = nn.Linear(100, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = self.fc1(x)
        x = nn.functional.relu(x)
        x = self.fc2(x)
        return x

net = MyNet()

上述代码中定义了一个两层的神经网络，其中第一层为全连接层，输入特征数为100，输出特征数为50；第二层也为全连接层，输入特征数为50，输出特征数为10。在 `forward` 方法中，我们首先将输入 `x` 传入第一层全连接层 `self.fc1`，然后使用 ReLU 激活函数，接着将结果传入第二层全连接层 `self.fc2`。最后返回输出结果。