4-3　神经层

神经层是神经网络的主要成员，PyTorch有各种各样的神经层，详情可参阅官网 ^[12] ，如下列举了一些比较常见的类别，随着算法的发明，还会不断地增加，也可以自定义神经层(Custom layer)。

·　完全连接层(Linear Layers)；

·　卷积神经层(Convolution Layers)；

·　池化神经层(Pooling Layers)；

·　常态化神经层(Normalization Layers)；

·　循环神经层(Recurrent Layers)；

·　Transformer Layers；

·　Dropout Layers。

由于中文翻译大部分都不贴切原意，建议读者尽可能使用英文术语。

4-3-1　完全连接层

完全连接层(Linear)是最常见的神经层，上一层每个输出的神经元( y )都会完全连接到下一层的每个输入的神经元( x )，即 y = wx + b 。语法如下：

torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)

in_features：输入神经元个数。

out_features：输出神经元个数。

bias：训练出的模型是否含偏差项(bias)。

device：以CPU或GPU设备训练。

dtype：输出、输入张量的数据类型。

通常只设置前面两个参数。

请参阅程序 【03_04_完全连接层.ipynb】 。

4-3-2　Dropout Layer

Dropout Layer在每一次epoch/step训练时，会随机丢弃设定比例的输入神经元，避免过度拟合，只在训练时运作，预测时会忽视Dropout，不会有任何作用。语法如下：

torch.nn.Dropout(p=0.5, inplace=False)参数说明如下：

p：丢弃的比例，介于(0, 1)之间。

inplace=True：对输入直接修改，不另产生变量，节省内存，通常不设定。

根据大部分学者的经验，在神经网络中使用Dropout会比正则化(Regularizer) ^[13] 效果来得好。

Dropout不会影响输出神经元个数。

执行结果：输入维度为(20, 16)，输出维度仍是(20, 16)。

其他的神经层在后续算法使用到时再说明。 OFIC46dw/HT2M6fK1DIu4vE40WE65kjS82Zo6bmzUy1DGCXvh+16YLVLN4vY4K0B