109_神经网络的决策层：线性层（Linear Layer）与数据展平详解

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：

1. 方法一： torch.reshape
2. 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：

1. 输入层：读取图像。
2. 特征提取层：卷积（Conv2d）+ 激活（ReLU）+ 池化（MaxPool2d）。
3. 转换层：展平（Flatten）。
4. 分类决策层：线性层（Linear）。