nn.Linear
1.背景知识
今天学习nn.Linear（线性层），也叫全连接层，我们在卷积层通过卷积操作获取图像特征，然后在线性层，将图像特征转化为最终的输出结果，在图像分类任务中，就是每个类别的打分，后续在输出层，根据打分来输出每个类别的概率。
比如说我们的目标任务是将一些图片分为十个类别，那么out_features 就是10
参数
- in_features ：输入数据的特征数
- out_features ：输出维度 / 输出类别数
- bias ：偏置
先来看一组代码
python
import torchvision
from torch.utils.data import DataLoader
from torchvision import transforms
datasets = torchvision.datasets.CIFAR10("../dataset",train=False,download=True,transform=transforms.ToTensor())
dataloader = DataLoader(datasets,batch_size=64)
for data in dataloader:
img, target = data
print(img.shape)控制台输出是这样的
到这里我们要先理解一下这个张量数据：（64，4，32，32）， 通过前面的学习我们已经知道这个张量数据的形状是（batch_size,channels,height,width），宽32，代表一行有32个像素，每个像素代表不同的颜色，高也是一样，那么这张图就有32*32个像素，也可以把他们看成是数据，如下图所示，下面这张图是一个5*5的格子，你也可以看成是宽=5，高=5的一个图像，按照张量的写法就是，（1,1,5,5）
好，我们已经学会理解一张图像了，再说回前面那个数据，（64，3，32，32）代表这张图一个通道有32*32个数据，也就是1024个数据，一共有3个通道，1024*3=3072，就是说一张图有3072个数据
2.展平的多种方式
那么，我们就要通过展平的方式，将这个图像的张量数据转化成形状为（batch_size，features）的数据，以便我们将数据送入线性层，in_features和out_features的形状都是如此，那么展平的方式有哪些呢？
1.reshape
python
output1 = img.reshape(img.size(0),-1)2.view
python
output1 = img.view(img.size(0),-1)3.flatten
python
output1 = torch.flatten(img,start_dim=1)参数：
- start_dim: 展平开始的维度（默认从零开始，但要保留批次，所以需要设置为1）
- end_dim:展平到哪一维（默认到最后）
这三种用哪种都可以，区别不大，选择喜欢的就好
img.size()是一个对象，返回的数据和shape属性值一样，img.size(0)等价于img.shape0，取得是第一个数据64，也就是图像的批次（batch_size）
完整代码：
python
import torchvision
from torch.utils.data import DataLoader
from torchvision import transforms
datasets = torchvision.datasets.CIFAR10("../dataset", train=False, download=True, transform=transforms.ToTensor())
dataloader = DataLoader(datasets, batch_size=64)
for data in dataloader:
img, target = data
input1 = img.reshape(img.size(0), -1)
print(input1.size())我们通过展平得到了能够送入线性层的数据，如下图所示：
3.线性模型
通过上面的打印，我们已经知道了特征数是3072个，所以第一个参数就写3072，然后需要10个结果类别，偏置就不写了，让他默认即可
python
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torchvision import transforms
datasets = torchvision.datasets.CIFAR10("../dataset", train=False, download=True, transform=transforms.ToTensor())
dataloader = DataLoader(datasets, batch_size=64)
class LinearModel(nn.Module):
def __init__(self):
super(LinearModel, self).__init__()
self.linear1 = nn.Linear(3072, 10)
def forward(self, input1):
output1 = self.linear1(input1)
return output1
model = LinearModel()
for data in dataloader:
img, target = data
input1 = img.reshape(img.size(0), -1)
output1 = model(input1)
print(output1.size())运行结果：
成功的把原来的每张图片的3072个特征转换成了10个结果类别