mindspore.mint.nn.Linear

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

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has_bias为True时）。

警告

在PYNATIVE模式下，如果 bias 为 False， x 不可以大于6D。

参数：

  • in_features (int) - Linear层输入Tensor的空间维度。

  • out_features (int) - Linear层输出Tensor的空间维度。

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

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

  • bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 偏置参数的初始化方法。数据类型与 x 相同。str的值引用自函数 initializer。默认值： None ，偏差使用Uniform初始化。

  • dtype (mindspore.dtype) - Parameter的数据类型。默认值： None 。如果 dtype 为 None，初始化方法时 dtype 会被设为 mstype.float32 。 当 weight_init 是Tensor时，Parameter的数据类型与 weight_init 数据类型一致，其他情况Parameter的数据类型跟 dtype 一致，同理 bias_init 。

输入：

  • x (Tensor) - shape为 \((*, in\_features)\) 的Tensor。参数中的 in_features 应等于输入中的 \(in\_features\) 。

输出：

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

异常：

  • TypeError - in_features 或 out_features 不是整数。

  • TypeError - bias 不是bool值。

  • ValueError - weight_init 的shape长度不等于2，weight_init 的shape[0]不等于 out_features，或者 weight_init 的shape[1]不等于 in_features。

  • ValueError - bias_init 的shape长度不等于1或 bias_init 的shape[0]不等于 out_features。

  • RuntimeError - 在PYNATIVE模式下， bias 为 False 且 x 大于6D。

支持平台：

Ascend

样例：

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