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

作用：对输入数据做线性变换：y=Ax+b

参数：

in_features – 每个输入样本的大小

out_features – 每个输出样本的大小

bias – 若设置为False，这层不会学习偏置。默认值：True

形状：


输入: (N,in_features)

输出： (N,out_features)

变量：


weight -形状为(out_features x in_features)的模块中可学习的权值

bias -形状为(out_features)的模块中可学习的偏置

例子：

>>> m = nn.Linear(20, 30)
>>> input = autograd.Variable(torch.randn(128, 20))
>>> output = m(input)
>>> print(output.size())

**

Dropout layers

**

class torch.nn.Dropout(p=0.5, inplace=False)

随机将输入张量中部分元素设置为0。对于每次前向调用，被置0的元素都是随机的。

参数：

p – 将元素置0的概率。默认值：0.5

in-place – 若设置为True，会在原地执行操作。默认值：False

形状：


输入： 任意。输入可以为任意形状。

输出： 相同。输出和输入形状相同。

例子：

>>> m = nn.Dropout(p=0.2)
>>> input = autograd.Variable(torch.randn(20, 16))
>>> output = m(input)
class torch.nn.Dropout2d(p=0.5, inplace=False)

随机将输入张量中整个通道设置为0。对于每次前向调用，被置0的通道都是随机的。

通常输入来自Conv2d模块。

像在论文Efficient Object Localization Using Convolutional Networks，如果特征图中相邻像素是强相关的（在前几层卷积层很常见），那么iid dropout不会归一化激活，而只会降低学习率。

在这种情形，nn.Dropout2d()可以提高特征图之间的独立程度，所以应该使用它。

参数：

p(float, optional) – 将元素置0的概率。

in-place(bool, optional) – 若设置为True，会在原地执行操作。

形状：


输入： (N,C,H,W)

输出： (N,C,H,W)（与输入形状相同）

例子：

>>> m = nn.Dropout2d(p=0.2)
>>> input = autograd.Variable(torch.randn(20, 16, 32, 32))
>>> output = m(input)
class torch.nn.Dropout3d(p=0.5, inplace=False)

随机将输入张量中整个通道设置为0。对于每次前向调用，被置0的通道都是随机的。

通常输入来自Conv3d模块。

像在论文Efficient Object Localization Using Convolutional Networks，如果特征图中相邻像素是强相关的（在前几层卷积层很常见），那么iid dropout不会归一化激活，而只会降低学习率。

在这种情形，nn.Dropout3d()可以提高特征图之间的独立程度，所以应该使用它。

参数：


p(float, optional) – 将元素置0的概率。

in-place(bool, optional) – 若设置为True，会在原地执行操作。

形状：


输入： N,C,D,H,W)

输出： (N,C,D,H,W)（与输入形状相同）

例子：

>>> m = nn.Dropout3d(p=0.2)
>>> input = autograd.Variable(torch.randn(20, 16, 4, 32, 32))
>>> output = m(input)