Pytorch linear 多维 输入的参数

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 and H_{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 and H_{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。