深度学习day7（Linear）

PyTorch中的Linear层

Linear层，也被称为全连接层（Fully Connected Layer），是神经网络中最基本的层之一。它的作用是将输入的数据（通常是一个向量）线性变换到一个新的特征空间。在数学上，这可以通过一个矩阵乘法加上一个偏置项来实现：y = xA^T + b，其中x是输入，A是权重矩阵，b是偏置项，y是输出

import torch
import torchvision.datasets
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./dataset_2",train=False,transform=torchvision.transforms.ToTensor(),
                                       download=True)

dataloader = DataLoader(dataset,batch_size=64,drop_last=True)

class Tudui(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1 = Linear(196608,10)      # （输入的特征数，输出的特征数）

    def forward(self,input):
        output = self.linear1(input)
        return output

tudui = Tudui()

for data in dataloader:
    imgs,targets = data
    print(imgs.shape)
    output = torch.flatten(imgs)               # output = torch.reshape(imgs,(1,1,1,-1))
    print(output.shape)
    output = tudui(output)
    print(output.shape)

为什么需要摊平（Flatten）

在你的代码中，imgs是一个四维张量（Tensor），其形状通常为[batch_size, channels, height, width]。对于CIFAR-10数据集，使用torchvision.transforms.ToTensor()转换后，这个张量的形状会是[batch_size, 3, 32, 32]（假设batch_size是64）。

Linear层期望的输入是一个二维张量（或一维张量，但会被自动转换为二维），其形状为[batch_size, features]，其中features是特征的总数。由于你的imgs是一个四维张量，不能直接被Linear层处理，因此你需要通过摊平（flatten）操作将其转换为一个二维张量。摊平操作会将图像的所有像素值（即所有特征）转换为一个长向量，这样每个图像就变成了一个包含所有像素值的向量，然后这个向量可以被Linear层处理。

# 线性层的输入是一个二维张量[batch_size, features]
for data in dataloader:
    imgs,targets = data
    print(imgs.shape)
    output = torch.flatten(imgs)               # output = torch.reshape(imgs,(1,1,1,-1))
    print(output.shape)
    output = tudui(output)
    print(output.shape)

# 输出结果：
torch.Size([64, 3, 32, 32])
torch.Size([196608])
torch.Size([10])