在经过卷积层提取特征、池化层压缩空间、激活函数引入非线性后，神经网络进入了最后的决策阶段。线性层（Linear Layer），也称为全连接层（Fully Connected Layer），负责将这些抽象特征映射到最终的分类结果上。
1. 线性层的核心原理
线性层执行的是最基本的线性变换：
。
- x：输入向量。
- A：权重矩阵（Weights），也就是神经网络需要学习的核心参数。
- b：偏置（Bias）。
- 本质：它将输入空间的每一个点与输出空间的每一个点进行"全连接"。例如，将 196608 个特征值压缩映射到 10 个分类结果（如 CIFAR-10 的十个类别）上。
2. 关键操作：数据展平（Flatten）
线性层通常要求输入是一维向量 （除了 Batch 维度）。但卷积层的输出通常是四维张量 [Batch, Channel, Height, Width]。因此，在进入线性层之前，必须进行"展平"操作。
文件中展示了两种展平方法：
- 方法一： torch.reshape
- 方法二： torch.flatten**(推荐)**
3. 实战代码：构建全连接分类网络
文件通过以下代码展示了如何将 CIFAR-10 的图片通过线性层降维：
4. 什么是神经网络在"训练"的东西？
文件开篇提到："神经网络训练的就是函数系 。"
在线性层中，这对应的就是权重（Weights）和偏置（Bias）。通过不断的迭代，网络会调整这些系数，使得当一张"猫"的图片输入时，输出向量中对应"猫"那个位置的数值最大。
5. 总结：一个完整的视觉网络结构
通过这一系列的笔记处理，我们现在可以勾勒出一个经典 CNN 的完整结构：
- 输入层：读取图像。
- 特征提取层：卷积（Conv2d）+ 激活（ReLU）+ 池化（MaxPool2d）。
- 转换层：展平（Flatten）。
- 分类决策层：线性层（Linear）。