mindspore.mint.nn.Linear

class mindspore.mint.nn.Linear(in_features, out_features, bias=True, weight_init=None, bias_init=None, dtype=None)

全连接层。

适用于输入的密集连接层。公式如下：

\[\text{outputs} = X * kernel + bias\]

其中 \(X\) 是输入Tensor， \(\text{kernel}\) 是一个权重矩阵，其数据类型与 \(X\) 相同， \(\text{bias}\) 是一个偏置向量，其数据类型与 \(X\) 相同（仅当参数 bias 为True时）。

警告

在Ascend硬件平台下，设置PYNATIVE或KBK模式时，如果 bias 为 False， x 不可以大于6D。

参数：

• in_features (int) - 输入tensor的空间维度。

• out_features (int) - 输出tensor的空间维度。

• bias (bool，可选) - 是否使用偏置向量 \(\text{bias}\) 。默认 True 。

• weight_init (Union[Tensor, str, Initializer, numbers.Number]，可选) - 权重参数的初始化方法。str的值引用自函数 initializer。默认 None ，权重使用HeUniform初始化。

• bias_init (Union[Tensor, str, Initializer, numbers.Number]，可选) - 偏置参数的初始化方法。str的值引用自函数 initializer。默认 None ，偏置使用Uniform初始化。

• dtype (mindspore.dtype，可选) - 参数的数据类型。默认 None 。

输入：

• x (Tensor) - shape为 \((*, in\_features)\) 的输入tensor。

输出：

shape为 \((*, out\_features)\) 的tensor。

支持平台：

Ascend

样例：

>>> import mindspore
>>> x = mindspore.tensor([[180, 234, 154], [244, 48, 247]], mindspore.float32)
>>> net = mindspore.mint.nn.Linear(3, 4)
>>> output = net(x)
>>> print(output.shape)
(2, 4)