torch.nn.Linear()函数使用

`torch.nn.Linear()`函数是PyTorch中用于定义线性层的函数。它的作用是将输入的数据进行线性变换，即y = xA^T + b，其中x是输入的数据，A是权重矩阵，b是偏置向量，y是输出的数据。该函数的参数包括输入特征数、输出特征数和是否使用偏置等。在使用该函数时，需要先实例化一个`nn.Linear`对象，然后将输入数据传入该对象即可得到输出结果。

以下是一个使用`torch.nn.Linear()`函数的例子：

import torch.nn as nn

# 定义一个线性层，输入特征数为3，输出特征数为2
linear_layer = nn.Linear(3, 2)

# 定义输入数据
input_data = torch.randn(4, 3)

# 将输入数据传入线性层，得到输出结果
output_data = linear_layer(input_data)

# 输出结果
print(output_data)

相关问题

torch.nn.linear函数

torch.nn.Linear函数是PyTorch中的一个线性变换函数。它接受三个参数：in_features表示输入的特征数，out_features表示输出的特征数，bias是一个布尔值，表示是否使用偏置项。该函数将输入特征与权重矩阵相乘，并可选择是否加上偏置项，从而进行线性变换。

在nn.Linear函数中，权重矩阵的形状是(out_features, in_features)，而输入特征的形状是(batch_size, in_features)。当输入特征与权重矩阵相乘时，可以使用torch.t对nn.Linear的权重矩阵进行转置，以便进行矩阵乘法操作。这样得到的输出维度将是(batch_size, out_features)。torch.mm函数可以用来执行矩阵相乘的操作。

因此，torch.nn.Linear函数可以用来构建神经网络的全连接层，将输入特征与权重矩阵相乘，并添加偏置项，得到线性变换后的输出。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [torch.nn.Linear()函数](https://blog.csdn.net/qq_35037684/article/details/121624295)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* [【Pytorch基础】torch.nn.Linear()函数](https://blog.csdn.net/zfhsfdhdfajhsr/article/details/115228920)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]

torch.nn.linear函数具体使用案例

`torch.nn.Linear` 是 PyTorch 中的一个线性变换模块，对输入数据进行线性变换，即 Y = XW^T + b，其中 X 为输入，W 为权重矩阵，b 为偏置向量，Y 为输出。

具体使用案例如下：

import torch
import torch.nn as nn

# 定义输入数据维度为 2，输出数据维度为 3
input_dim = 2
output_dim = 3

# 定义一个 Linear 层
linear_layer = nn.Linear(input_dim, output_dim)

# 定义输入数据
input_data = torch.randn(4, input_dim)

# 进行线性变换
output_data = linear_layer(input_data)

print("输入数据：\n", input_data)
print("输出数据：\n", output_data)

输出结果如下：

输入数据：
 tensor([[-1.5819, -0.1541],
        [-1.1012, -1.1826],
        [-0.2129, -0.3476],
        [ 0.5284, -1.5889]])
输出数据：
 tensor([[ 0.2243, -1.1177, -0.1403],
        [ 0.5021, -0.6952, -0.8592],
        [ 0.5135, -0.3315, -0.0834],
        [ 0.5424, -0.3735, -0.0146]], grad_fn=<AddmmBackward>)

可以看到，输入数据的维度为 4x2，输出数据的维度为 4x3，这是因为输入数据经过线性变换后，每个样本的特征维度从 2 变成了 3。