Pytorch学习笔记--nn.Module

nn.Module 是 PyTorch 中一个非常重要的基类，用于构建神经网络模型。它提供了一些基本功能和结构，使得构建、组合和管理模型变得更加方便和高效。具体来说，nn.Module 主要有以下几个用处：

1. 封装模型的组件：通过继承 nn.Module，可以将神经网络的不同层（如卷积层、全连接层等）封装在一起，便于管理和组织代码。

2. 参数管理：nn.Module 自动注册其子模块（子层）中的所有参数，使得可以方便地获取和更新模型的参数。在调用 model.parameters() 时，会返回所有可训练的参数。

3. 前向传播：重写 forward 方法定义前向传播的逻辑，使得可以根据输入数据计算输出结果。PyTorch 利用这一方法实现自动微分。

4. 模型序列化：nn.Module 提供了保存（save）和加载（load）模型的方法，方便模型的持久化和复用。

5. 模块组合：可以方便地将多个模块组合成更复杂的模型，支持嵌套使用子模块，使得构建复杂的深度学习模型变得更加直观。

简单的示例代码如下：

import torch  
import torch.nn as nn  

class MyModel(nn.Module):  
    def __init__(self):  
        super(MyModel, self).__init__()  
        self.fc1 = nn.Linear(10, 5)  
        self.fc2 = nn.Linear(5, 1)  

    def forward(self, x):  
        x = self.fc1(x)  
        x = torch.relu(x)  
        x = self.fc2(x)  
        return x  

model = MyModel()  
input_data = torch.randn(1, 10)  
output = model(input_data)  
print(output) 

 在这个示例中，MyModel 继承了 nn.Module，定义了一个简单的前馈神经网络。通过这种方式，PyTorch 的模块化设计和管理变得简洁明了。

在这个类中有俩函数：初始化函数__init__(self) 和 前向传播函数forward(self,input)  

写个简单的例子（代码实现过程写在了注释中）：

import torch
from torch import nn


class Aaax(nn.Module): #Module表示一个类，首字母要大写
    def __init__(self):
        super().__init__()

    def forward(self,input):
        output = input+2
        return output


demo=Aaax() #会调用super().__init__() ，完成Module的初始化
a=torch.tensor(1)
output=demo(a)  #这里会把 a 传入forward中的input中
print(output)  #输出tensor(3)