多维特征输入，多层神经网络学习

首先对多维特征进行解释：

        如有一个y，他的值由8个x（x1,x2，x3~~）决定，那么x就有8个维度。

我们的linear所作的事就是y=wx+b,其中每一个量都是向量，因此可以处理多维度数据。

如x有8个维度，y有一个维度，那么可以写成self.linear=torch.nn.Linear(8,1)

内部过程就是：

        y(N*1),x(N*8)(表示y一维，x8维，总共有N个数据)，那么w就是（8*1），矩阵乘法就成了

那么w一定要(8*1)吗？当然不，可以先（8*2）,再（2*1）呀。于是就有了多层的神经网络。如：

        self.linear1 = torch.nn.Linear(8,2)#代表着输入8维，输出2维
        self.linear2 = torch.nn.Linear(2,1)#输入2维，输出1维（最终结果）

同理，前向传播时也要变成：

        def forward(self,x):
                x = self.linear1(x)
                x = self.linear2(x)

                return x

这样我们就有了一个两层的神经网络。

当然你可以选择更多的，可以（8*100）——》（100*10）——》（10*1），都可以，可以任意多层，每层的神经元数也随意。