torch.nn.Linear(in_features, out_features, bias=True)

前言：

    def __init__(self, n_gmm=2, latent_dim=3):  # n_gmm=gmm_k=4
        super(DaGMM, self).__init__()  # (固定写法)

        layers = []
        layers += [nn.Linear(118, 60)]
        layers += [nn.Tanh()]  # 激活函数
        layers += [nn.Linear(60, 30)]
        layers += [nn.Tanh()]
        layers += [nn.Linear(30, 10)]
        layers += [nn.Tanh()]
        layers += [nn.Linear(10, 1)]
        self.encoder = nn.Sequential(*layers)

　class torch.nn.Linear（in_features， out_features， bias = True）

　对传入数据应用线性变换：y = A x + b（是一维函数给我们的理解的）

　参数：

　　in_features：每个输入（x）样本的特征的大小

　　out_features：每个输出（y）样本的特征的大小

　　bias：如果设置为False，则图层不会学习附加偏差。默认值是True

import torch
x = torch.randn(128, 20)  # 输入的维度是（128，20）
m = torch.nn.Linear(20, 30)  # 20,30是指维度
output = m(x)
print('m.weight.shape:\n ', m.weight.shape)
print('m.bias.shape:\n', m.bias.shape)
print('output.shape:\n', output.shape)

# ans = torch.mm(input,torch.t(m.weight))+m.bias 等价于下面的
ans = torch.mm(x, m.weight.t()) + m.bias #torch.mm(a, b)是矩阵a和b矩阵相乘
print('ans.shape:\n', ans.shape)

print(torch.equal(ans, output))

输出：
m.weight.shape:
  torch.Size([30, 20])
m.bias.shape:
 torch.Size([30])
output.shape:
 torch.Size([128, 30])
ans.shape:
 torch.Size([128, 30])
True

　为什么m.weight.shape = (30，20)?

　　答：因为线性变换公式是：

　　　　

　　先生成一个（30，20）的weight，实践运算中再转置，这样就能和x做矩阵乘法了。

　　别老去纠结y = A x + b（是一维函数给我们的理解的）。

　　

参考：

参考1：torch.nn.Linear()函数的理解