一、认识nn.Module

nn.Module 是 PyTorch 中的一个核心类，它是所有神经网络模块的基类。在 PyTorch 中构建模型时，通常会继承这个类来创建自定义的网络结构。nn.Module 提供了一系列用于构建神经网络的工具和方法,
具体有：

• 层注册：可以通过 add_module 方法或者在 init 方法中使用 self. =
  的方式向模块中添加子模块（即层）。这些子模块可以是其他 nn.Module 的实例，如 nn.Linear、nn.Conv2d 等。
• 参数管理：nn.Module 自动跟踪所有子模块的参数（如权重和偏置），使得参数的管理和更新变得更加方便。
• 前向传播：通过定义 forward 方法来指定模型的前向传播逻辑。当模型被调用时（例如 model(input)），forward
  方法会被执行，并且输入数据会按照 forward 方法中定义的方式进行处理。
• 训练模式与评估模式：nn.Module 有一个 .train() 方法用于设置模型为训练模式（启用 Dropout 等），以及一个
  .eval() 方法用于设置模型为评估模式（禁用 Dropout 等）。
• 参数优化：nn.Module 可以与优化器（如 torch.optim.Adam 或
  torch.optim.SGD）配合使用，优化器会利用模型的参数进行梯度下降等优化操作。

二、nn.Module的基础加1操作

进行一个非常简单的操作：对输入数据加1。

import torch
from torch import nn

class Tudui(nn.Module):
    def __init__(self):
        #这行代码调用了父类（即nn.Module）的初始化函数。在PyTorch中，这是必要的，因为它会设置一些内部结构，使得模型可以正确地注册参数和子模块。
        super().__init__()

    #这是定义模型前向传播的函数。在PyTorch中，forward函数指定了如何将输入数据转换为输出数据。这个函数必须定义，因为它是模型的核心。
    def forward(self,input):
        output = input + 1
        return output

tudui = Tudui()
x = torch.tensor(1.0)
output = tudui(x)
print(output)

运行结果：

注：这是因为将一个值为 1.0 的张量 x 传递给模型，模型将其增加 1，所以输出是 2.0。