神经网络的基本骨架——nn.Module（torch.nn里的Containers模块里的Module类）

**前置知识：

nn：neural network神经网络

1、torch.nn：与神经网络有关的库

Containers：torch.nn中的一个模块

Module：所有神经网络模型的基础类（Base class for all neural network modules）

注意：任何自定义的模型都应该继承自 nn.Module，并实现 __init__ 和 forward 方法，以定义模型的结构和前向传播的逻辑

2、x=torch.tensor(1.0)：将输入数据转为张量，因为模型期望收到张量（tensor）类型的输入

因为模型的操作（如加法、矩阵乘法等）都是在张量上进行的

张量可以简单理解为一种多维数组，用于表示数据

标量（0维张量） ：一个单一的数字，比如 5
向量（1维张量） ：一组数字，比如 [1, 2, 3]，可以看作是一条线上的点
矩阵（2维张量）：一个数字的表格，比如[ [1, 2], [3, 4] ]
更高维的张量（3维及以上） ：想象一下一个立方体，里面有许多数字，比如颜色的RGB值。更高维的张量可以表示更复杂的数据结构，比如视频帧、三维图像等

3、forward方法：如何由input计算得到output

forward和__call__的联系：

forward 是你定义的前向传播逻辑，用于计算输出的方法

__call__ 是一个特殊方法，用于使得模型实例可以像函数一样被调用，并负责调用 forward 以及处理其他一些功能

所以能让实例像函数一样被调用的实际上是__call__而不是forward

**代码：

自定义新模型：

继承nn.Module基类------>重写__init__方法和forward方法

python 复制代码

import torch
from torch import nn

class Xigua(nn.Module):

    def __init__(self):
        super().__init__()

    def forward(self,input):
        output=input+1
        return output

xigua1=Xigua() #先实例化新模型类，才能把它作为工具（一般有__call__方法的都这样做）
x=torch.tensor(1.0)
output=xigua1(x)
print(output)