PyTorch如何指定输入层？是否默认内置未展示的输入层？

• 开发环境为基于PyTorch实现的Stable Baselines3（SB3）强化学习框架，当前任务共包含101个输入特征。自定义神经网络架构时首层仅设置64个节点，网络仍可正常运行，模型架构如下：
  
• 此前一直认为神经网络首层节点数必须与输入特征数量一致，因此产生疑问：PyTorch是否默认内置了未对外展示的输入层？如果存在该默认输入层，如何查看并控制该层的激活函数等相关配置？

附：相关代码 #

import gym
from gym import Env
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from gym import spaces
from gym.utils import seeding
from stable_baselines3.common.vec_env import DummyVecEnv, SubprocVecEnv
from stable_baselines3.common.utils import set_random_seed
from stable_baselines3.common.evaluation import evaluate_policy
from stable_baselines3.common.env_util import make_vec_env
from stable_baselines3 import PPO
import math
import random
import torch as th

from sb3_contrib.common.maskable.policies import MaskableActorCriticPolicy
from sb3_contrib.common.wrappers import ActionMasker
from sb3_contrib.ppo_mask import MaskablePPO
from sb3_contrib.common.envs import InvalidActionEnvDiscrete
from sb3_contrib.common.maskable.evaluation import evaluate_policy
from sb3_contrib.common.maskable.utils import get_action_masks

env = MyCustomEnv(....)
env = ActionMasker(env, mask_fn)  # 包装环境以支持动作掩码

# 自定义神经网络架构
mynetwork = dict(activation_fn=th.nn.LeakyReLU,
                     net_arch=[dict(pi=[64, 64], vf=[64, 64])])

# 掩码PPO调用逻辑和常规PPO一致
model = MaskablePPO(MaskableActorCriticPolicy, env, verbose=1, learning_rate=0.0005, gamma=0.975, seed=10, batch_size=256, clip_range=0.2,
                    tensorboard_log="./log1/", policy_kwargs=mynetwork)
# 打印模型结构得到前述截图
print(model.policy)

不存在所谓“隐藏的默认输入层”，产生这个疑问的核心原因是对全连接层的维度规则、SB3的网络自动构建逻辑不熟悉：

1. 全连接层（PyTorch中对应nn.Linear）本身就不需要输入维度和输出维度（即层节点数）一致，其运算逻辑为output = input @ weight.T + bias，其中权重矩阵weight的形状为(out_features, in_features)，只要输入特征维度和in_features匹配即可正常计算，和层本身的节点数out_features没有强制相等的要求。
2. 你在配置net_arch时只写了隐藏层的节点数，SB3在构建策略网络时，会自动读取当前环境观测空间的维度（也就是你的101维输入特征），自动给第一个全连接层设置in_features=101, out_features=64，这就是你首层写64个节点也能正常运行的原因——这个首层本身就是直接对接101维输入的，权重矩阵形状为(64, 101)，不需要额外的输入层做维度转换。

可以通过以下代码直接验证层的真实参数：

# 查看策略网络第一层全连接层的定义
print(model.policy.mlp_extractor.policy_net[0])
# 查看第一层权重的形状
print(model.policy.mlp_extractor.policy_net[0].weight.shape)

运行后会输出类似Linear(in_features=101, out_features=64, bias=True)，权重形状为torch.Size([64, 101])，完全对应101维输入到64维输出的映射，没有任何未展示的隐藏层。

补充说明：

• 打印model.policy时没有显示第一层的输入维度，只是SB3打印网络结构时省略了自动推断输入维度的逻辑展示，不是刻意隐藏了层。
• 所有层的激活函数都是你在配置中传入的th.nn.LeakyReLU，顺着model.policy.mlp_extractor.policy_net打印每一层，就能看到完整的网络结构：第一层为101维输入转64维输出的全连接层，之后接LeakyReLU激活，再依次对接64转64的全连接层、LeakyReLU激活，最后接输出层，所有配置都可直接查看、修改，不存在不可控的默认隐藏层配置。

内容的提问来源于stack exchange，提问作者Vladimir Belik