12.Linear

https://pytorch.org/docs/stable/generated/torch.nn.Linear.html#torch.nn.Linear

torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)

以vgg16网络举例，图中这一步骤就用到了线性层，in_fearure = 4096 , out_feature = 10000

如下图是一个线性神经网络

in_feature就是输入的x的个数

out_feature就是输出的个数

线性层会根据神经网络计算公式：Ax+bias得到output，在pytorch框架下使用时只需要设置好in_feature，out_feature 和 bias

torch.reshape()函数的使用

https://pytorch.org/docs/1.2.0/torch.html#torch.reshape

#返回一个张量,内容和原来的张量相同,但是具有不同形状.
#并且尽可能返回视图,否则才会返回拷贝,
#因此,需要注意内存共享问题.
#传入的参数可以有一个-1,
#表示其具体值由其他维度信息和元素总个数推断出来.

torch.flatten()

https://pytorch.org/docs/stable/generated/torch.flatten.html?highlight=flatten#torch.flatten
用于将数据展平

torch.flatten(input, start_dim=0, end_dim=-1)

import torch
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader
dataset = torchvision.datasets.CIFAR10('./dataset',train=False,transform=torchvision.transforms.ToTensor(),
                                       download=True)
#这里设置drop_last = True的原因是最后一个Batch_size不足64，展平后不是196608不符合设置的线性层输入 因此设置一下
dataloader = DataLoader(dataset,batch_size=64,drop_last=True)
class DEMO(nn.Module):
    def __init__(self):
        super(DEMO, self).__init__()
        self.linear1 = Linear(in_features=196608, out_features=10, bias=False)
    def forward(self,x):
        x = self.linear1(x)
        return x
demo = DEMO()
#torch.reshape()函数官方文档
# 返回一个张量,内容和原来的张量相同,但是具有不同形状.
# 并且尽可能返回视图,否则才会返回拷贝,
# 因此,需要注意内存共享问题.
# 传入的参数可以有一个-1,
# 表示其具体值由其他维度信息和元素总个数推断出来.
for data in dataloader:
    imgs,targets = data
    print(imgs.shape)
    # output = torch.reshape(imgs,(1,1,1,-1))
    output = torch.flatten(imgs)
    print(output.shape)
    output_linear = demo(output)
    print(output_linear.shape)

在实际使用时，torchvision中有很多已经搭建好的模型可以直接使用