nn.Linear(vocab_size, num_labels)
表示矩阵形状为num_labels x vocab_size
bow_vector 尺寸是1 x vocab_size，nn.linear 的预期输入是batch_size x features
现在，我们将num_labels x vocab_size矩阵乘以1 x vocab_size。因此，维度与矩阵乘法不匹配。我在这里想念什么？：思维：
https://discuss.pytorch.org/t/matrix-multiplication-dimentions-confusing/79376?u=abhigenie92
你误会了nn.Linear。让我为你指出一点。
nn.Linear(vocab_size, num_labels)并不意味着矩阵形状是num_labels x vacab_size.
原文是nn.Linear(input_dim, output_dim, bias=True)。假设您在 3D 空间中有 3 个点，并且您想将这些点投影到 2D 空间。所以你只需创建一个可以帮助你做到这一点的线性层 => nn.Linear(3, 2, bias=True)。
例子：
linear_function = nn.Linear(3, 2, bias=True) # you have just created a function
a_3D_point = torch.Tensor([[1, 1, 1]])
a_2D_point = linear_function(a_3D_point)
基本上，nn.Linear()只是帮助您创建一个可以进行投影的函数。
因此，您可能想知道如何nn.Linear帮助您进行投影。好吧，当投影只是y = Wx + b或y = Wx（如果偏差 = False）W是权重和b偏差并且它们都将由 随机创建时，数学上很容易nn.Linear。通过以下方式检查：
print(list(linear_function.parameters())) # Unchecked since I use my iPad to write this answer
=================
映射到您的案例，我理解的 BowClassifier 只是尝试将句子分类为有限类。最简单的方法之一是使用一个形状为 的热向量n x vocab。
n表示你有n句子，但是第二维中的词汇现在扮演了代表每个句子的特征的角色。
您现在要将 n 个句子num_labels分类，只需进行投影即可。
input = ... # shape: [n x vocab]
classify_fn = nn.Linear(vocab, num_labels)
output = classify_fn(input)
# sigmoid or softmax to get the probability here
...