1.函数语法格式和作用
(view)作用:
目的是将多维的的数据如（none，36，2，2）平铺为一维如（none，144）。作用类似于keras中的Flatten函数。只不过keras中是和卷积一起写的，而pytorch是在forward中才声明的。 相当于reshape
(view)函数语言格式:
view(out.size(0), -1)-------（none，36，2，2）平铺为一维如（none，144）
或者
view(-1, 1, 28, 28)-------torch.Size([96, 784])变为torch.Size([96, 1, 28, 28])
(nn.Linear)作用:
作为全连接层(fc)，可固定输出通道数。
(nn.Linear)函数语言格式:
nn.Linear(in_features, out_features, bias=True)
2.参数解释
in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。
out_features指的是输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数。
bias默认为True，可以学到额外的偏置
从输入输出的张量的shape角度来理解，相当于一个输入为[batch_size, in_features]的张量变换成了[batch_size, out_features]的输出张量。
3.具体代码
import torch
m = torch.nn.Linear(2, 3)
input = torch.randn(4, 2)
out = m(input)
print(m.weight.shape)
print(m.bias.shape)
print(out.size())
结果如下：
