线性层参数 in_features 就是输入x，out_features 是线性层的输出是上图的g。x到g的关系式为：，其中的是权重，是偏置（参数bias为True时，才存在）。阅读官方文档可知，weight和bias都是从分布中采样初始化，经过训练得最终结果。

在vgg16模型中， 将224*224*3的图片转变为了1*1*4096的大小，经过训练，得到最终的1*1*1000的结果。 

我们也采取相同的方式：

import torch
import torchvision
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./dataset", False, torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, 64)

for data in dataloader:
    imgs, targets = data
    input = torch.reshape(imgs, [1, 1, 1, -1])

 打印形状的大小：[1, 1, 1, 196608]。编写网络，有196608个输入和10个输出：

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear = nn.Linear(196608, 10)

    def forward(self, input):
        return self.linear(input)

 实例化后，将imgs传入实例化对象，即可线性处理。

我们可以使用函数直接将imgs变为一行数据：