推荐答案
在 PyTorch 中，torch.nn.Linear 是一个全连接层，用于实现线性变换。它的基本用法如下：
// www.javascriptcn.com code example import torch import torch.nn as nn # 定义一个线性层，输入特征数为 10，输出特征数为 5 linear_layer = nn.Linear(in_features=10, out_features=5) # 创建一个输入张量，形状为 (batch_size, in_features) input_tensor = torch.randn(3, 10) # 将输入张量传递给线性层 output_tensor = linear_layer(input_tensor) print(output_tensor)
在这个例子中，nn.Linear 层将输入张量的每个样本从 10 维空间映射到 5 维空间。
本题详细解读
1. torch.nn.Linear 的参数
in_features：输入特征的数量，即输入张量的最后一维的大小。out_features：输出特征的数量，即输出张量的最后一维的大小。bias：是否使用偏置项，默认为True。如果设置为False，则线性变换不会添加偏置项。
2. 输入和输出的形状
- 输入张量的形状通常为
(batch_size, in_features)，其中batch_size是批量大小，in_features是输入特征的数量。 - 输出张量的形状为
(batch_size, out_features)，其中out_features是输出特征的数量。
3. 线性变换的公式
torch.nn.Linear 实现的线性变换可以表示为：
[ \text{output} = \text{input} \times \text{weight}^T + \text{bias} ]
其中：
weight是一个形状为(out_features, in_features)的可学习参数矩阵。bias是一个形状为(out_features,)的可学习参数向量。
4. 使用场景
torch.nn.Linear 通常用于神经网络的隐藏层或输出层，特别是在全连接网络（如多层感知机）中。它可以与其他层（如激活函数、Dropout 层等）结合使用，构建复杂的神经网络模型。
5. 示例代码解释
nn.Linear(10, 5)定义了一个线性层，将 10 维输入映射到 5 维输出。input_tensor = torch.randn(3, 10)创建了一个形状为(3, 10)的随机输入张量，表示批量大小为 3，每个样本有 10 个特征。output_tensor = linear_layer(input_tensor)将输入张量传递给线性层，得到形状为(3, 5)的输出张量。
通过这种方式，torch.nn.Linear 可以方便地实现线性变换，并在神经网络中广泛应用。