pytorch中的Linear Layer（线性层）

LINEAR LAYERS

Linear

Examples:

>>> m = nn.Linear(20, 30) >>> input = torch.randn(128, 20) >>> output = m(input) >>> print(output.size()) torch.Size([128, 30]) 查看源码后发现U指的是均匀分布，即weight权重（A的转置）是取自输入尺寸的倒数再开方后的正负值之间的均匀分布，同理可得偏置bias是输出尺寸

的倒数再开方后的正负值之间的均匀分布。

资料参考于官网：https://pytorch.org/docs/stable/nn.html#linear-layers

>>> m = nn.Linear(20, 30) >>> input = torch.randn(128, 20) >>> output = m(input) >>> print(output.size()) torch.Size([128, 30]) 查看源码后发现U指的是均匀分布，即weight权重（A的转置）是取自输入尺寸的倒数再开方后的正负值之间的均匀分布，同理可得偏置bias是输出尺寸 的倒数再开方后的正负值之间的均匀分布。 资料参考于官网：https://pytorch.org/docs/stable/nn.html#linear-layers

>>> m = nn.Linear(20, 30) >>> input = torch.randn(128, 20) >>> output = m(input) >>> print(output.size()) torch.Size([128, 30]) 查看源码后发现U指的是均匀分布，即weight权重（A的转置）是取自输入尺寸的倒数再开方后的正负值之间的均匀分布，同理可得偏置bias是输出尺寸 的倒数再开方后的正负值之间的均匀分布。 资料参考于官网：https://pytorch.org/docs/stable/nn.html#linear-layers

Linear Examples: >>> m = nn.Linear(20, 30) >>> input = torch.randn(128, 20) >>> output = m(input) >>> print(output.size()) torch.Size([128, 30]) 查看源码后发现U指的是均匀分布，即weight权重（A的转置）是取自输入尺寸的倒数再开方后的正负值之间的均匀分布，同理可得偏置bias是输出尺寸 的倒数再开方后的正负值之间的均匀分布。 资料参考于官网：https://pytorch.org/docs/stable/nn.html#linear-layers

LINEAR LAYERS Linear Examples: >>> m = nn.Linear(20, 30) >>> input = torch.randn(128, 20) >>> output = m(input) >>> print(output.size()) torch.Size([128, 30]) 查看源码后发现U指的是均匀分布，即weight权重（A的转置）是取自输入尺寸的倒数再开方后的正负值之间的均匀分布，同理可得偏置bias是输出尺寸 的倒数再开方后的正负值之间的均匀分布。 资料参考于官网：https://pytorch.org/docs/stable/nn.html#linear-layers