Neural network 仿射映射

我不明白（见下图）。 我不清楚这部分代码

lin = nn.Linear(5, 3)  # maps from R^5 to R^3, parameters A, b
# data is 2x5.  A maps from 5 to 3... can we map "data" under A?
data = autograd.Variable(torch.randn(2, 5))
print(lin(data))  # yes

我们定义了有5个输入和3个输出的线性层？然后我们给2x5大小的矩阵馈电？我不明白这里发生了什么

以及他们想要传达的总体理念

---

您提供的代码片段相当简单

a

nn.Linear（）

的输入尺寸为

批量大小x专长尺寸

。如果输入

data=Variable（torch.randn（2,5））

，则输入一个包含2个数据实例的小批。每个数据实例都是一个五维向量。对于每个数据实例，使用线性层的相同权重矩阵，将其五维向量映射到三维向量。因此，线性层返回一个维度矩阵

2x3

，即

batch\u size x new\u feat\u dim

---

您可以将任何大小的小批量喂料到线性层。

您好，谢谢您的解释。但在一个前馈网络中，我们不需要这个，对吗？我的意思是，我没有弄清楚什么时候需要这个？这是某种降维吗？或者说xA，即我们的数据“x”乘以矩阵A，矩阵A是输入层和第一个隐藏层之间的权重矩阵。他们只是在解释线性层的作用。线性层有两个参数。权重矩阵（在本例中称为A）和偏差项（在本例中称为b）。感谢澄清：）