Added nn

Pytorch/nn/viFunc/nn.Linear.md

@@ -0,0 +1,47 @@
+### torch.nn.Linear 类的方法详解
+
+根据 PyTorch 官方文档（torch.nn.Linear），这是一个实现线性变换（全连接层）的模块，数学公式为 \( y = xA^T + b \)，其中 \( A \) 是权重矩阵，\( b \) 是偏置（如果启用）。该类继承自 `nn.Module`，因此除了特定方法外，还支持 `nn.Module` 的通用方法（如 `train()`、`eval()` 等），但这里重点讲解文档中明确提到的所有方法，包括 `__init__`、`forward` 和 `extra_repr`。文档中未提及其他特定方法。
+
+以下是每个方法的详细讲解，包括方法签名、参数、返回值和解释。参数类型基于 Python 标准类型和 PyTorch 张量规范。
+
+#### 1. `__init__` 方法（初始化方法）
+- **签名**：`torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)`
+- **参数**：
+  - `in_features`（int）：每个输入样本的大小（输入特征维度）。
+  - `out_features`（int）：每个输出样本的大小（输出特征维度）。
+  - `bias`（bool，默认 True）：如果为 `False`，则不学习可加偏置项。
+  - `device`（torch.device 或 None，默认 None）：指定模块的设备（如 CPU 或 GPU）。
+  - `dtype`（torch.dtype 或 None，默认 None）：指定模块的数据类型。
+- **返回值**：无（这是构造函数，用于初始化模块）。
+- **解释**：该方法初始化线性变换模块。它会创建权重矩阵 \( A \)（形状为 `(out_features, in_features)`）和可选的偏置 \( b \)（形状为 `(out_features,)`）。权重和偏置使用均匀分布 \(\mathcal{U}(-\sqrt{k}, \sqrt{k})\) 初始化，其中 \( k = \frac{1}{\text{in_features}} \)。这是一个核心方法，用于构建层，例如 `nn.Linear(20, 30)` 创建一个从 20 维输入到 30 维输出的层。
+- **注意**：模块支持 TensorFloat32（在支持的硬件上加速），并且在某些 ROCm 设备上，float16 输入会转换为 float32 进行计算。
+
+#### 2. `forward` 方法（前向传播方法）
+- **签名**：`forward(input)`（输入参数名为 `input`，但文档中未显式列出签名，通常推断自描述）。
+- **参数**：
+  - `input`（torch.Tensor）：输入张量，形状为 `(*, H_in)`，其中 `*` 表示任意数量的维度（包括无维度），`H_in = in_features`（最后一个维度必须匹配 `in_features`）。
+- **返回值**：torch.Tensor，形状为 `(*, H_out)`，其中前面的维度与输入相同，`H_out = out_features`。
+- **解释**：这是模块的核心前向传播方法。它对输入应用线性变换 \( y = xA^T + b \)（如果 `bias=True`）。权重 \( A \) 和偏置 \( b \) 是可学习的参数，通过反向传播更新。该方法是 PyTorch 模块的标准接口，在模型构建中调用如 `output = layer(input)` 时隐式执行。
+- **示例**（来自官方文档）：
+  ```python
+  import torch.nn as nn
+  m = nn.Linear(20, 30)  # 初始化层
+  input = torch.randn(128, 20)  # 批量大小 128，特征 20
+  output = m(input)  # 前向传播
+  print(output.size())  # 输出: torch.Size([128, 30])
+  ```
+  这展示了批量输入如何转换为输出形状。
+
+#### 3. `extra_repr` 方法（额外字符串表示方法）
+- **签名**：`extra_repr()`（无参数，继承自 `nn.Module`）。
+- **参数**：无。
+- **返回值**：str，一个字符串，总结模块的参数。
+- **解释**：该方法返回一个字符串，用于增强模块的打印表示（例如，当你 `print(layer)` 时）。它通常包括 `in_features`、`out_features` 和偏置是否启用（如 "Linear(in_features=20, out_features=30, bias=True)"）。这是一个辅助方法，帮助调试和可视化模型结构，不是计算核心。
+- **注意**：这是 `nn.Module` 的标准方法，在 `Linear` 中被覆盖以包含特定参数。没有额外示例，但打印模块时会自动调用。
+
+### 附加说明
+- **继承方法**：`torch.nn.Linear` 继承自 `nn.Module`，因此支持所有 `nn.Module` 方法，如 `parameters()`（获取可训练参数）、`named_parameters()`（命名参数迭代）、`zero_grad()`（梯度清零）等。这些不是 `Linear` 特有，而是通用方法。如果需要讲解整个 `nn.Module`，可以进一步查询。
+- **属性**：模块有 `weight`（权重张量）和 `bias`（偏置张量，如果启用），这些是 `nn.Parameter` 类型，可通过优化器更新。
+- **使用提示**：在构建神经网络时，`Linear` 常用于 MLP 等。确保输入的最后一个维度匹配 `in_features`，否则会报错。文档强调该模块在 float16 输入时的特殊行为（在 ROCm 上转换为 float32）以避免精度问题。
+
+如果需要代码示例、数学推导或特定版本的差异，请提供更多细节！