在 PyTorch 里，nn.Linear 是最常见的层之一。

它也叫全连接层。很多入门模型、分类器、回归模型都会用到它。

如果你能理解 Linear 层，很多神经网络结构都会变得更容易读。

Linear 层做了什么

Linear 层本质上做的是一次线性变换：

输出 = 输入 * 权重 + 偏置

在 PyTorch 里可以这样写：

from torch import nn
​
layer = nn.Linear(in_features=4, out_features=2)

这表示输入有 4 个特征，输出有 2 个特征。

in_features 和 out_features

理解 Linear 层，最重要的是理解这两个参数：

• in_features：每个样本输入特征的数量

• out_features：每个样本输出特征的数量

比如一个样本有 4 个数：

[身高, 体重, 年龄, 运动频率]

如果我们想把它映射成 2 个输出，就可以用 nn.Linear(4, 2)。

输入 shape 应该是什么

Linear 层最常见的输入形状是：

[batch_size, in_features]

比如：

import torch
from torch import nn
​
x = torch.randn(32, 4)
layer = nn.Linear(4, 2)
y = layer(x)
​
print(y.shape)

输出就是：

torch.Size([32, 2])

这里 32 个样本被一起送进模型，每个样本从 4 个特征变成 2 个输出。

Linear 层有参数吗

有。

Linear 层内部会自动创建权重和偏置。

你可以这样看：

print(layer.weight.shape)
print(layer.bias.shape)

对于 nn.Linear(4, 2)，权重形状通常是 [2, 4]，偏置形状是 [2]。

这些参数会在训练过程中被优化器更新。

为什么它叫全连接

因为输入的每一个特征，都会连接到输出的每一个神经元。

如果输入有 4 个特征，输出有 2 个神经元，那么每个输出都会看到全部 4 个输入。

这就是“全连接”的意思。

小结

Linear 层是神经网络里最基础的计算模块之一。

它做的是从一个特征空间到另一个特征空间的线性映射。

刚开始学 PyTorch 时，先把 in_features、out_features 和输入 shape 搞清楚，就已经解决了一大半困惑。

技术图：把关键链路画清楚

可运行实验：手算一次 Linear 层输出

nn.Linear 执行的是 y=xWᵀ+b。手动设置权重和偏置后，可以逐项核对框架输出。

import torch
from torch import nn
​
layer = nn.Linear(2, 1)
with torch.no_grad():
    layer.weight.copy_(torch.tensor([[2.0, -1.0]]))
    layer.bias.copy_(torch.tensor([0.5]))
x = torch.tensor([[3.0, 4.0], [1.0, -2.0]])
print("输出:", layer(x).squeeze(1).tolist())
print("参数 shape:", tuple(layer.weight.shape), tuple(layer.bias.shape))

运行结果：

输出: [2.5, 4.5]
参数 shape: (1, 2) (1,)

第一个样本结果是 3×2 + 4×(-1) + 0.5 = 2.5。权重 shape 按 [out_features, in_features] 保存。

常见误区

1. in_features 包含 batch size。它只表示每个样本最后一维的特征数。

2. Linear 层本身能拟合任意非线性关系。多层 Linear 之间没有激活函数时仍等价于一次线性变换。

动手练习

把输出维度改为 2，自行设置一个 2×2 权重矩阵并手算两个输出。

---

本文首发于「去你想去的地方」： PyTorch 的 Linear 层详解：全连接层到底做了什么 | 去你想去的地方

完整学习路线、视频版和后续更新请访问原文。