快捷方式

线性

class torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)[source]

对输入数据应用仿射线性变换: y=xAT+by = xA^T + b.

此模块支持 TensorFloat32

在某些 ROCm 设备上,当使用 float16 输入时,此模块将使用 不同的精度 进行反向传播。

参数
  • in_features (int) – 每个输入样本的大小

  • out_features (int) – 每个输出样本的大小

  • bias (bool) – 如果设置为 False,则该层不会学习加性偏差。默认值:True

形状
  • 输入: (,Hin)(*, H_{in}) 其中 * 表示任意数量的维度(包括无维度)并且 Hin=in_featuresH_{in} = \text{in\_features}.

  • 输出: (,Hout)(*, H_{out}),其中除了最后一维外,所有维度都与输入具有相同的形状,并且 Hout=out_featuresH_{out} = \text{out\_features}.

变量
  • weight (torch.Tensor) – 模块的可学习权重,形状为 (out_features,in_features)(\text{out\_features}, \text{in\_features})。这些值从 U(k,k)\mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化,其中 k=1in_featuresk = \frac{1}{\text{in\_features}}

  • bias – 模块的可学习偏置,形状为 (out_features)(\text{out\_features})。如果 biasTrue,则这些值从 U(k,k)\mathcal{U}(-\sqrt{k}, \sqrt{k}) 初始化,其中 k=1in_featuresk = \frac{1}{\text{in\_features}}

示例

>>> m = nn.Linear(20, 30)
>>> input = torch.randn(128, 20)
>>> output = m(input)
>>> print(output.size())
torch.Size([128, 30])

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取适合初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源