torch.nn.Linear 

torch.nn.Linear是PyTorch中的一个线性层，它实现了一个全连接层，即输入和输出之间的每个神经元都连接到彼此。它的构造函数接受两个参数：输入特征的数量和输出特征的数量。例如，如果你想要将一个长度为100的输入向量映射到一个长度为10的输出向量，可以使用以下代码创建一个线性层：

import torch
import torch.nn as nn

linear_layer = nn.Linear(100, 10)

在前向传递过程中，你可以将输入张量传递给线性层，然后通过调用线性层的函数来计算输出张量。例如：

input_tensor = torch.randn(2, 100)  # 随机生成2个100维的输入向量
print("input_tensor: ", input_tensor)

output_tensor = linear_layer(input_tensor)  # 计算输出张量
print("output_tensor: ", output_tensor)

在这个例子中，我们创建了一个大小为100x10的线性层，然后将一个大小为32x100的输入张量传递给它。线性层将对每个输入向量进行线性变换，并输出一个大小为32x10的输出张量。

线性层在深度学习中非常常用，它可以用于实现神经网络中的任何层，例如全连接层、卷积层等等。

输出结果如图所示，注意每次执行上述代码，输出的tensor不一样：

torch.nn.Dropout

torch.nn.Dropout是PyTorch中的一个Dropout层，它可以在训练期间随机地将一些神经元的输出设置为0，以减少过拟合。Dropout层通常被用于全连接层和卷积层中，可以在训练期间随机地将一些神经元的输出设置为0，然后将剩余的神经元的输出乘以一个缩放因子，以保持其期望值不变。

Dropout层的构造函数接受一个参数，即dropout_prob，它指定了每个神经元被设置为0的概率。例如，如果你想要在每个Dropout层中随机丢弃50%的神经元，可以使用以下代码创建一个Dropout层：

import torch
import torch.nn as nn

dropout_layer = nn.Dropout(0.5)

在前向传递过程中，你可以将输入张量传递给Dropout层，然后通过调用Dropout层的函数来计算输出张量。例如：

input_tensor = torch.randn(2, 100)  # 同上

output_tensor = dropout_layer(input_tensor)  # 计算输出张量
print("output_tensor: ", output_tensor)

在这个例子中，我们创建了一个Dropout层，它会随机地将每个神经元的输出设置为0或缩放因子的倒数。然后，我们将一个大小为32x100的输入张量传递给它，并计算一个大小相同的输出张量。

Dropout层是一种常用的正则化技术，可以有效地减少神经网络的过拟合。它可以用于任何深度学习模型中，特别是在训练数据较少或模型较大时，可以帮助提高模型的泛化能力。

输出结果如图所示，可以看出，不论正负，约有一半0.0000：