问题： 由于 在输入lstm 层 每个batch 做了根据输入序列最大长度做了padding,导致每个 batch 的 length 不同。 导致输出 长度不同 。如：（batch, length, output_dim）: （12,128,10），（12,111,10）. 但是输入 linear 层的时候没有出现问题。
网站解释：
官网 pytorch linear：
- Input:(*, H_{in})(∗,Hin)where*∗means any number of dimensions including none andH_{in} = \text{in\_features}Hin=in_features. 任意维度 number 理解有歧义 (a)number. k可以理解三维，四维。。。 (b) 可以理解 为某一维度的数 。
- Output:(*, H_{out})(∗,Hout)where all but the last dimension are the same shape as the input andH_{out} = \text{out\_features}Hout=out_features.
代码解释：
分别 用三维 和二维输入数组，查看他们参数数目是否一样。
import torch
x = torch.randn(128, 20) # 输入的维度是（128，20）
m = torch.nn.Linear(20, 30) # 20,30是指维度
output = m(x)
print('m.weight.shape:\n ', m.weight.shape)
print('m.bias.shape:\n', m.bias.shape)
print('output.shape:\n', output.shape)
# ans = torch.mm(input,torch.t(m.weight)) m.bias 等价于下面的
ans = torch.mm(x, m.weight.t()) m.bias
print('ans.shape:\n', ans.shape)
print(torch.equal(ans, output))output：
m.weight.shape: torch.Size([30, 20]) m.bias.shape: torch.Size([30]) output.shape: torch.Size([128, 30]) ans.shape: torch.Size([128, 30]) True
x = torch.randn(128, 30,20) # 输入的维度是（128,30，20）
m = torch.nn.Linear(20, 30) # 20,30是指维度
output = m(x)
print('m.weight.shape:\n ', m.weight.shape)
print('m.bias.shape:\n', m.bias.shape)
print('output.shape:\n', output.shape)ouput： m.weight.shape: torch.Size([30, 20]) m.bias.shape: torch.Size([30]) output.shape: torch.Size([128, 30, 30])
结果：
（128,30,20），和 （128,20） 分别是如 nn.linear(30,20) 层。
weight.shape 均为： （30,20）
linear（） 参数数目只和 input_dim ,output_dim 有关。
weight 在源码的定义， 没找到如何计算多维input的代码。
到此这篇关于Pytorch linear 多维 输入的参数的文章就介绍到这了,更多相关Pytorch多维 输入内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！