在 PyTorch 中，nn.Module?是所有神經網絡模塊的基類，用于構建和組織深度學習模型。它提供了一系列工具和功能，使模型的定義、訓練和部署更加高效和靈活。
nn?=?Neural Network（神經網絡）
核心作用：
模塊化設計：將復雜的神經網絡拆分為多個可復用的子模塊（如卷積層、全連接層、激活函數等）。
自動管理參數：通過?
nn.Parameter?自動追蹤模型中的可訓練參數（如權重和偏置）。前向傳播定義：通過重寫?
forward()?方法定義數據的流動路徑。設備管理：一鍵將整個模型移至 GPU（如?
model.to('cuda')）。訓練 / 評估模式切換：通過?
model.train()?和?model.eval()?切換模型狀態（影響 Dropout、BatchNorm 等層）。
?
Torch.nn 組件庫
torch.nn?是 PyTorch 中用于構建神經網絡的核心庫，提供了各種預定義的層、損失函數和工具類，幫助你快速搭建和訓練深度學習模型。它的主要特點包括：
模塊化設計：所有組件（如卷積層、全連接層）都繼承自?
nn.Module，便于組織和復用。自動求導：與 PyTorch 的自動微分系統（
autograd）無縫集成。GPU 支持：所有組件可輕松遷移至 GPU 運行。
?
torch.nn?是工具盒，nn.Module?是組裝工具的框架。自定義模型時，你需要用?nn.Module?作為基類，并用?torch.nn?中的組件填充它。?nn.Module?是?torch.nn?模塊庫中的一個核心基類，用于定義和組織神經網絡。它是 PyTorch 模型構建的基礎，所有層和模型最終都繼承自它。
?官網示例代碼：
import torch.nn as nn
import torch.nn.functional as Fclass 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))
?
?代碼練習：
import torch
from torch import nnclass myModule(nn.Module):def __init__(self):super().__init__()def forward(self,input):output=input+1return outputmodel1=myModule()
x = torch.tensor(1.0)
output=model1(x)
print(output)
?
?
