如何在torch.nn.modules中使用全连接层

在torch.nn.modules中，可以使用nn.Linear类来创建全连接层。全连接层是神经网络中最常用的一种层，它连接了上一层的所有神经元与下一层的所有神经元。

使用nn.Linear类创建全连接层的语法如下：

torch.nn.Linear(in_features, out_features, bias=True)

其中：

- in_features表示输入特征的数量

- out_features表示输出特征的数量

- bias表示是否使用偏置(bias)参数，默认为True

下面是一个使用全连接层的简单例子：

import torch
import torch.nn as nn

# 创建一个全连接层，输入特征数为5，输出特征数为3
fc = nn.Linear(5, 3)

# 随机生成一个5维的输入向量
input_tensor = torch.rand(5)

# 使用全连接层进行前向计算
output_tensor = fc(input_tensor)

# 输出结果
print(output_tensor)

运行上述代码，将得到一个3维的输出张量。

全连接层的初始化会随机生成权重(weight)和偏置(bias)参数，这些参数在前向计算时被使用。我们可以使用全连接层的parameters()方法来访问这些参数。下面是一个访问并修改全连接层参数的例子：

import torch
import torch.nn as nn

# 创建一个全连接层，输入特征数为5，输出特征数为3
fc = nn.Linear(5, 3)

# 查看全连接层的权重和偏置
print("权重参数：", fc.weight)
print("偏置参数：", fc.bias)

# 修改全连接层的权重
fc.weight.data = torch.ones(3, 5)

# 修改全连接层的偏置
fc.bias.data = torch.ones(3)

# 随机生成一个5维的输入向量
input_tensor = torch.rand(5)

# 使用修改后的全连接层进行前向计算
output_tensor = fc(input_tensor)

# 输出结果
print(output_tensor)

运行上述代码，将得到一个3维的输出张量，且全连接层的权重参数被修改为全1，偏置参数被修改为全1。

除了上述的nn.Linear类，torch.nn.modules模块还提供了许多其他的层类，例如卷积层(nn.Conv2d)，循环神经网络层(nn.RNN)等，具体使用可参考PyTorch官方文档。