**前置知识：
1、线性层和非线性激活函数：
组合使用：通常，线性层后面会接一个非线性激活函数。这样，网络先做一次简单的转换（线性），然后用激活函数（非线性）添加一些复杂性。
（即 output = activation(linear(input)) ）
2、
- 线性层：执行线性变换。
- 全连接层：是一种特殊的线性层，所有输入节点与所有输出节点相连。
在实践中，两者常常被视作同义词。
3、linear_layer = nn.Linear(4, 2)
-
输入特征数量：in_features (int) -- size of each input sample
-
输出特征数量：out_features (int) -- size of each output sample
-
偏置：bias (bool) -- If set to
False, the layer will not learn an additive bias. Default:True
（默认True，自动学习并添加偏置参数）
4、
python
import torch
from torch import nn
# 创建一个线性层，输入特征为 4，输出特征为 2
linear_layer = nn.Linear(4, 2)
# 创建一个示例输入，batch_size 为 3
input_tensor = torch.tensor([[1.0, 2.0, 3.0, 4.0],
[5.0, 6.0, 7.0, 8.0],
[9.0, 10.0, 11.0, 12.0]])
# 前向传播
output_tensor = linear_layer(input_tensor)
# 打印输出
print("Output Tensor:")
print(output_tensor)
#tensor([[ 1.3422, -1.4755],
# [ 2.4565, -2.6873],
# [ 3.5708, -3.8991]], grad_fn=<AddmmBackward0>)这里，input_tensor形状为（3，4），意味着有3个样本（batch_size），每个样本有4个特征
（输入张量的每一列通常代表一个特征）
output_tensor形状为（3，4），意味着还是3个样本，但是特征数变成了2
5、具体如何计算，将 4 个输入特征转换为 2 个输出特征：
经过这样的计算，输入的 4 个特征被转换为 2 个特征，得到的输出张量将是：
output = [[3.1, 7.2], # 第一个样本的输出
...\], # 第二个样本的输出 \[...\]\] # 第三个样本的输出 6、关于权重和偏置： 在 PyTorch 中，线性层的权重矩阵 W 和偏置 b 是在模型创建时自动初始化的。 这些参数的具体值是在模型训练之前随机生成的，通常使用某种分布（如均匀分布或正态分布）进行初始化。 在训练过程中，权重和偏置会自动调整。（向前传播------计算损失------反向传播------更新参数） ## \*\*代码： ```python import torch import torchvision.datasets from torch import nn from torch.nn import Linear from torch.utils.data import DataLoader test_set=torchvision.datasets.CIFAR10(root="./dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True) dataloader=DataLoader(test_set,batch_size=64,drop_last=True) class Xigua(nn.Module): def __init__(self): super().__init__() self.linear1=Linear(196608,10) def forward(self,input): output=self.linear1(input) return output xigua1=Xigua() for data in dataloader: imgs,targets=data #torch.Size([64, 3, 32, 32]) # input=torch.reshape(imgs,(1,1,1,-1))#torch.Size([1, 1, 1, 196608]) input=torch.flatten(imgs) #flatten展开成一行（仅一维） print(input.shape) output=xigua1(input) print(output) ```