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。