神经网络的基本骨架——nn.Module的使用（torch.nn库)

在 PyTorch 中，nn.Module 是所有神经网络模块的基类，用于构建和组织深度学习模型。它提供了一系列工具和功能，使模型的定义、训练和部署更加高效和灵活。

nn = Neural Network（神经网络）

核心作用：

模块化设计：将复杂的神经网络拆分为多个可复用的子模块（如卷积层、全连接层、激活函数等）。
自动管理参数：通过 nn.Parameter 自动追踪模型中的可训练参数（如权重和偏置）。
前向传播定义：通过重写 forward() 方法定义数据的流动路径。
设备管理：一键将整个模型移至 GPU（如 model.to('cuda')）。
训练 / 评估模式切换：通过 model.train() 和 model.eval() 切换模型状态（影响 Dropout、BatchNorm 等层）。

Torch.nn 组件库

torch.nn 是 PyTorch 中用于构建神经网络的核心库，提供了各种预定义的层、损失函数和工具类，帮助你快速搭建和训练深度学习模型。它的主要特点包括：

模块化设计 ：所有组件（如卷积层、全连接层）都继承自 nn.Module，便于组织和复用。
自动求导 ：与 PyTorch 的自动微分系统（autograd）无缝集成。
GPU 支持：所有组件可轻松迁移至 GPU 运行。

torch.nn 是工具盒，nn.Module 是组装工具的框架 。自定义模型时，你需要用 nn.Module 作为基类，并用 torch.nn 中的组件填充它。 nn.Module 是 torch.nn 模块库中的一个核心基类，用于定义和组织神经网络。它是 PyTorch 模型构建的基础，所有层和模型最终都继承自它。

官网示例代码：

python 复制代码

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

代码练习：

python 复制代码

import torch
from torch import nn


class myModule(nn.Module):
    def __init__(self):
        super().__init__()

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

model1=myModule()
x = torch.tensor(1.0)
output=model1(x)
print(output)