### PyTorch 中 `nn.Linear` 函数的参数详解 在 PyTorch 的神经网络模块中，`nn.Linear` 是实现全连接层的核心组件之一。以下是对其主要参数的具体解释： #### 1. **`in_features`** - 表示输入张量的最后一维（通常是特征维度）的大小。 - 对于二维输入 `[batch_size, in_features]`，`in_features` 即为每条样本的特征数量。 - 如果输入数据来自卷积层或其他操作，则可能需要先通过 `.view()` 或其他方法将其展平成二维张量形式。 示例代码展示了如何将四维张量转化为适合 `nn.Linear` 输入的形式[^3]。 ```python import torch as t from torch import nn connected_layer = nn.Linear(in_features=64 * 64 * 3, out_features=1) # 定义线性层 input_tensor = t.randn(1, 64, 64, 3) # 创建模拟输入张量 flattened_input = input_tensor.view(1, 64 * 64 * 3) # 展平为二维张量 print(flattened_input.shape) # 输出应为 [1, 12288] ``` --- #### 2. **`out_features`** - 表示输出张量的最后一维大小，也就是当前全连接层的神经元数目。 - 这一参数直接影响到下一层接收的数据规模以及模型表达能力。 - 在分类任务中，如果类别总数为 N，则最后一层的 `out_features` 应设为 N；而在回归任务中，可根据目标变量的数量设定此值。 继续以上述例子为例： ```python output_tensor = connected_layer(flattened_input) print(output_tensor.shape) # 结果应该是 [1, 1]，因为定义了单个输出单元 ``` 此处，由于设置了 `out_features=1`，因此最终得到的是一个标量预测值。 --- #### 3. **bias (可选)** - 默认情况下会启用偏置项 (`True`)，即除了权重矩阵外还会额外增加一组偏移向量 b 来调整激活前的结果 y=Wx+b。 - 当不需要显式的偏置时可以通过设置 `bias=False` 关闭这一特性从而减少待估计参数总量并简化结构设计。 修改后的实例演示无偏置版本的操作方式如下所示： ```python no_bias_connected_layer = nn.Linear(in_features=64 * 64 * 3, out_features=1, bias=False) output_no_bias = no_bias_connected_layer(flattened_input) print(no_bias_connected_layer.bias is None) # 返回 True，确认未配置任何偏置成分 ``` 综上所述，在实际应用过程中合理选取这些超参能够有效提升整体性能表现同时兼顾资源消耗效率等问题考虑因素。 ---