线性层中Linear函数可以将输入的样本大小，输出成我们需要的大小，在构建神经网络是经常会使用到，torch.flatten()，可以将数据展成一维的，相比较reshape函数，使用更加方便。但总的来说torch.flatten()的功能还是比较单调，reshape功能更加强大。
torch.nn.Linear(in_features,
out_features,
bias=True,
device=None,
dtype=None)
参数注解：
in_features – 每个输入样本的大小
out_features – 每个输出样本的大小
bias——如果设置为 False，该层将不会学习附加偏差。 默认值：True
shape：
input： (, H_{in})(∗,Hin) 其中 ∗ 表示任意数量的维度，包括无和 H_{in} = \text{in_features}Hin=in_features。
output： (*, H_{out})(∗,Hout) 其中除了最后一个维度之外的所有维度都与输入的形状相同，并且 H_{out} = \text{out_features}Hout=out_features。
1.使用reshape函数
代码如下：
import torch.nn
import torchvision
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader
#使用CIFAR10数据集
dataset = torchvision.datasets.CIFAR10("./dataset", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
#使用数据迭代器，DataLoader，为模型输入数据
dataloader = DataLoader(dataset, batch_size=64, drop_last=True)
#搭建神经网络
class Test(nn.Module):
def __init__(self): #初始化方法
super(Test, self).__init__() #继承父类
self.linear1 = Linear(196608, 10) #使用linear函数
def forward(self, input): #正向传播
output = self.linear1(input)
return output
test = Test() #创建网络，初始化
for data in dataloader:
imgs, targets = data
print(imgs.shape) #torch.Size([64, 3, 32, 32])
output = torch.reshape(imgs, (1, 1, 1, -1)) #使用reshape函数改变尺寸
print(output.shape) #torch.Size([1, 1, 1, 196608])
output = test(output) #运用模型
print(output.shape) #torch.Size([1, 1, 1, 10])
输出结果：
torch.Size([64, 3, 32, 32])
torch.Size([1, 1, 1, 196608])
torch.Size([1, 1, 1, 10])
2.使用flatten函数
上面代码改变数据尺寸是使用torch.reshape()的，reshape可以由torch.reshape(),也可由torch.Tensor.reshape()调用
其作用是在不改变tensor元素数目的情况下改变tensor的shape。
如果使用torch.flatten()， 改变尺寸可以更加简单可以更加简单，代码如下：
for data in dataloader:
imgs, targets = data
print(imgs.shape) #torch.Size([64, 3, 32, 32])
output = torch.flatten(imgs)
print(output.shape) #torch.Size([196608])
output = test(output)
print(output.shape) #torch.Size([10])
输出结果：
torch.Size([64, 3, 32, 32])
torch.Size([196608])
torch.Size([10])
下面我们来系统的学习一下torch.flatten()
torch.flatten(input, start_dim=0, end_dim=- 1) → Tensor
Parameters
input (Tensor) – the input tensor.
start_dim (int) – the first dim to flatten
end_dim (int) – the last dim to flatten
torch.flatten()输入是tensor
它的作用就是将输入tensor的第start_dim维到end_dim维之间的数据”拉平”成一维tensor，
torch.nn.Flatten()可以理解为一种网络结构，类似Conv2d、Linear。一般放在卷积层和全连接层之间，将卷积层输出”拉平”成一维。
练习代码如下：
import torch
from torch import nn
input = torch.tensor([[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]],
[[1, 2, 2],
[3, 4, 4],
[5, 6, 6]]])
print(input)
output1 = torch.flatten(input, 0, 1)
print(output1)
output2 = torch.flatten(input, 1 , 2)
print(output2)
output3 = torch.flatten(input, 0 ,2 )
print(output3)
输出结果：
tensor([[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]],
[[1, 2, 2],
[3, 4, 4],
[5, 6, 6]]])
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[1, 2, 2],
[3, 4, 4],
[5, 6, 6]])
tensor([[1, 2, 3, 4, 5, 6, 7, 8, 9],
[1, 2, 2, 3, 4, 4, 5, 6, 6]])
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 1, 2, 2, 3, 4, 4, 5, 6, 6])
线性层中Linear函数可以将输入的样本大小，输出成我们需要的大小，在构建神经网络是经常会使用到，torch.flatten()，可以将数据展成一维的，相比较reshape函数，使用更加方便。但总的来说torch.flatten()的功能还是比较单调，reshape功能更加强大。
Original: https://blog.csdn.net/m0_51816252/article/details/125113557
Author: 晓亮.
Title: 神经网络——线性层中Linear函数及torch.flatten()的使用
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/777559/
转载文章受原作者版权保护。转载请注明原作者出处！