关于神经网络中的线性层的一点思考

在看一个算法的代码实现中，我在分析一行代码的时候，有点不知道为什么这么写：

model_1.module.classifier.weight.data.copy_(torch.from_numpy(normalize(km.cluster_centers_, axis=1)).float().cuda())

km.cluster_centers，是聚类后的各个类的中心，将这些中心标准化以后直接赋值到了线性层的参数中，一直没能理解为什么这么做，后来有一点想明白了。

我们假设一个线性层的输入特征是M维的，输出是N维的，如果不加思考的化，就是一个M维到N维的转换。但是深入一点的思考的化，其实可以将其理解为：将M维的向量，与N个M维的向量（Normalize后则是单位向量）做内积，生成了N个内积，内积i代表着输入特征在第i个向量上的投影，这个值越大，代表着输入向量与这个向量的关系越紧密。