Neural network nn.Linear（）在pytorch'；这是最后一次，为什么有必要？

我正在使用一些代码来训练lstm生成序列。训练模型后，调用lstm（）方法：

x = some_input
lstm_output, (h_n, c_n) = lstm(x, hc) 
funcc = nn.Linear(in_features=lstm_num_hidden,
                  output_features=vocab_size,
                  bias=True)
func_output = func(lstm_output)

---

我已经看过了

nn.Linear（）

的文档，但是我仍然不理解这个转换在做什么，以及为什么它是必要的。如果lstm已经过训练，那么它给出的输出应该已经具有预先确定的维度。这个输出（lstm_输出）将是生成的序列，或者在我的例子中是向量数组。我在这里遗漏了什么吗？

在这里，线性层正在将lstm产生的隐藏状态表示（

lstm\u output

）转换为大小为

vocab\u size

的向量。你的理解可能是错误的。该层应与LSTM一起进行培训

---

我猜您正在尝试生成一系列标记（单词），因此线性层后面应该有一个操作来预测词汇表上的概率分布。

这里，线性层正在转换隐藏状态表示（

lstm\u输出

）由LSTM生成一个大小为

vocab_size

的向量。你的理解可能是错误的。该层应与LSTM一起进行培训

---

我猜您正在尝试生成一系列标记（单词），因此线性层后面应该有一个操作来预测词汇表上的概率分布。

它是在模型训练后添加的？您能否提供上下文，即培训循环。如果模型已经训练过就很奇怪了，是在模型训练后添加的吗？您能否提供上下文，即培训循环。如果模型已经被训练过，这是非常奇怪的。考虑到缺乏架构

lstm\u输出

是logit输出，这是有道理的。必须在这些logit分数上应用softmax操作才能获得问题。词汇表上的分布。你能详细说明一下“逻辑输出”吗？我找不到任何我能理解的文档。在我的例子中，我用预先训练好的word2vec向量训练了一个lstm。我试图将该模型用作序列生成器，我希望我的输出是词汇表中的word2vec向量`起初，我认为我可以将nn.Linear的输出特征的维度设置为与w2v嵌入相同，但生成的序列最终太长，我认为这是由于完全连接的层。将Linear的输出特性设置为我的w2v向量的大小是一个好方法吗？这是有意义的，因为缺少架构

lstm\u输出

是logit输出。必须在这些logit分数上应用softmax操作才能获得问题。词汇表上的分布。你能详细说明一下“逻辑输出”吗？我找不到任何我能理解的文档。在我的例子中，我用预先训练好的word2vec向量训练了一个lstm。我试图将该模型用作序列生成器，我希望我的输出是词汇表中的word2vec向量`起初，我认为我可以将nn.Linear的输出特征的维度设置为与w2v嵌入相同，但生成的序列最终太长，我认为这是由于完全连接的层。将Linear的输出特性设置为w2v向量的大小是一个好方法吗？