**前置知识： 

1、线性层和非线性激活函数：

组合使用：通常，线性层后面会接一个非线性激活函数。这样，网络先做一次简单的转换（线性），然后用激活函数（非线性）添加一些复杂性。

（即 output = activation(linear(input)) ）

2、

• 线性层：执行线性变换。
• 全连接层：是一种特殊的线性层，所有输入节点与所有输出节点相连。

在实践中，两者常常被视作同义词。

3、linear_layer = nn.Linear(4, 2)

• 输入特征数量：in_features (int) – size of each input sample

• 输出特征数量：out_features (int) – size of each output sample

• 偏置：bias (bool) – If set to False, the layer will not learn an additive bias. Default: True

（默认True，自动学习并添加偏置参数）

4、

import torch
from torch import nn

# 创建一个线性层，输入特征为 4，输出特征为 2
linear_layer = nn.Linear(4, 2)

# 创建一个示例输入，batch_size 为 3
input_tensor = torch.tensor([[1.0, 2.0, 3.0, 4.0],
                              [5.0, 6.0, 7.0, 8.0],
                              [9.0, 10.0, 11.0, 12.0]])

# 前向传播
output_tensor = linear_layer(input_tensor)

# 打印输出
print("Output Tensor:")
print(output_tensor)

#tensor([[ 1.3422, -1.4755],
#        [ 2.4565, -2.6873],
#        [ 3.5708, -3.8991]], grad_fn=<AddmmBackward0>)

这里，input_tensor形状为（3，4），意味着有3个样本（batch_size），每个样本有4个特征

（输入张量的每一列通常代表一个特征）

output_tensor形状为（3，4），意味着还是3个样本，但是特征数变成了2

5、具体如何计算，将 4 个输入特征转换为 2 个输出特征：

经过这样的计算，输入的 4 个特征被转换为 2 个特征，得到的输出张量将是：

output = [[3.1, 7.2],  # 第一个样本的输出
          [...],      # 第二个样本的输出
          [...]]      # 第三个样本的输出
 

6、关于权重和偏置：

在 PyTorch 中，线性层的权重矩阵 W 和偏置 b 是在模型创建时自动初始化的。

这些参数的具体值是在模型训练之前随机生成的，通常使用某种分布（如均匀分布或正态分布）进行初始化。

在训练过程中，权重和偏置会自动调整。（向前传播——计算损失——反向传播——更新参数）

**代码：

import torch
import torchvision.datasets
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader

test_set=torchvision.datasets.CIFAR10(root="./dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader=DataLoader(test_set,batch_size=64,drop_last=True)

class Xigua(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1=Linear(196608,10)

    def forward(self,input):
        output=self.linear1(input)
        return output
xigua1=Xigua()

for data in dataloader:
    imgs,targets=data #torch.Size([64, 3, 32, 32])
    # input=torch.reshape(imgs,(1,1,1,-1))#torch.Size([1, 1, 1, 196608])
    input=torch.flatten(imgs) #flatten展开成一行（仅一维）
    print(input.shape)
    output=xigua1(input)
    print(output)