Linear
作用：对输入数据进行线性变换
例子：
import torch
m = torch.nn.Linear(20, 30)
input = torch.randn(128, 20)#输入数据的维度(128,20)
output = m(input)
print(m.weight.shape)
print(m.bias.shape)
print(output.size())
>>
torch.Size([30, 20])
torch.Size([30])
torch.Size([128, 30])
>>
理解：
线性变换的权重值 weight 和 偏置值 bias 会伴随训练过程不管更新参数，也就是注释中的 learnable ，他们的初始时刻都随机初始化 在区间 ：
(,
) ,
上面的例子可以看到，输入数据会跟一个权重矩阵 A 相乘，A.shape=[30, 20]，偏重为一个一维tensor，长度为[30]，权重矩阵相乘得到的128个30维的向量，最后会给每一个向量加上这个偏置误差tensor，所以就对应线性变换公式：
于是nn.Linear()也等价与下面的：
output = torch.mm(input , m.weight.t()) + m.bias
print(output.size())
>>torch.Size([128, 30])
这个函数是用来设置神经网络中的全连接层的，输入输出都是二维 tensor
in_features：指的是输入的二维tensor的大小，即输入的[batch_size, size]中的size。
out_features：指的是输出的二维tensor的大小，即输出的二维张量的形状为[batch_size，output_size]，也代表了该全连接层的神经元个数。
