import torch
from torch import nn

x = torch.ones(2,10)

class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.out = nn.Linear(10, 1)
    def forward(self,x):
        return self.out(x)

 1. 代码解析

• 如何定义一个类？self 又是什么东西？
• 类是如何继承基类的特性的？nn.module 是个什么对象？
• 为什么会有一个初始化函数 init，初始化函数中的 super().init 函数是做什么用的？是否必须要有？
• forward 函数有什么作用？该怎样用？
• 为什么初始化函数前后有两条下划线？forward 前后为什么没有下划线？
• nn.Linear 函数是干什么用的？
• 输入输出张量的形状大小都是怎么对应的？
• 模型内部的网络参数是怎么定义的，如何查看？

1.1 如何定义一个类 

class MLPSimple(nn.Module):
    def __init__(self):
        super().__init__()
        self.out = nn.Linear(10, 1)

a_s = MLPSimple()
a_s

 self 是指向类自身的一个指针，可以通过该指针引用类自身的成员，默认这个参数是每个成员函数的首个输入参数，如果没有self参数，那么定义的函数将无法引用类自身的成员

1.2 如何继承基类的特性？nn.module 是个什么对象？

定义类的时候，将需要被继承的类的名称作为参数传入，如 class MLPSimple(nn.Module) 这样就是定义了一个新的类 MLPSimple ，这个新类继承了 nn.Module 的所有特性。 以下展示再创建一个类，继承刚刚创建的新类 MLPSimple_p。

class MLPSimple_p(MLPSimple):
    def __init__(self):
        super().__init__()
a_s_p = MLPSimple_p()
a_s_p

nn.Module是PyTorch中的一个类，继承自torch.nn的基类，用于定义神经网络模型、提供前向传播过程所需的基本功能和方法。 在PyTorch中，神经网络模型通常是由多个层组成的，每个层都是一个nn.Module实例。通过继承nn.Module类并实现自己的forward方法，可以定义自己的神经网络模,。在神经网络的训练和推理过程中，PyTorch会自动调用nn.Module的forward方法来计算输出。

1.3 为什么会有一个初始化函数 init，初始化函数中的 super().init 函数是做什么用的？是否必须要有？ 

与C++不同，我们自己新定义的python类没有显式的构造函数(python 类有自己的构造函数，该构造函数跟 init 函数一样也是个魔法函数)，python类的对init函数的调用，可以被看做是类似于C++类调用构造函数类似的过程，当python中通过类创建对象的时候就会调用init函数对对象进初始化，与c++不同的是如果c++继承了基类，那么构造对象的时候会隐式的调用基类的构造方法，这里python却需要显示的主动调用基类初始化方法super().init()对基类的特性进行初始化。这里的显示调用时必须的，如果漏掉会报错。

1.4 forward 函数有什么作用？该怎样用？

python 的类成员方法中有一个非常特殊的函数叫做 call() 函数，这个函数使得实例化的对象自身可以像一个函数一样被调用，如同样实例对象为 a_s_p ,如果这个对象是在C++中，那么这个对象就单纯的是一个对象而已，要想让这个对象处理一些事情，就必须通过对象去调用它自身的一些方法来实现，如a_s_p.func(),但是在python类中，类定义里面有一个特别的函数叫做call函数，这个函数可以使被实例的对象本身像一个函数一样被直接调用，而在pytorch中这个call函数会默认直接调用创建类的forward函数，forward函数会接受所有传递给call函数的参数，call函数本身也会将forward函数的返回结果直接返回，因此就形成了pytorch中这种可以直接通过对象本身来处理数据的现象。

a_s_p(inputs) 隐含的意思就是 a_s_p.call(inputs) , 而 a_s_p.call(inputs) 本身的定义却类似于以下这样：

class MLPSimple(nn.Module):
    def __call__(self,inputs):
        return self.forward(inputs)
    def forward(self,inputs)
        return outputs

1.5 为什么初始化函数前后有两条下划线？forward 前后为什么没有下划线？

函数前后有两条下划线的方法叫做python的魔法函数，魔法函数本身是指的到了特定状况下会自动被调用的函数，因为其自适应性像魔法一样神奇所以被称为魔法函数，没有下划线的函数指的是普通函数，像forward函数的名称是pytorch的保留字，默认被call函数调用，但它仍然跟普通函数一样，没什么特别之处。其他的魔法函数还有如下这些：

• init()：类的初始化方法，在创建类的实例时自动调用。
• new()：类的构造函数，当使用类的构造函数创建新的类实例时自动调用。
• str()：返回对象的字符串表示，当调用print()函数输出对象时自动调用。
• del()：在对象被删除时自动调用。
• call()：当对象被作为函数调用时自动调用。
• len()：返回对象的长度，当使用len()函数调用对象时自动调用。
• eq()：比较两个对象是否相等，当使用==运算符比较两个对象时自动调用。
• hash()：返回对象的哈希值，当使用hash()函数调用对象时自动调用。
• getitem()：当使用方括号运算符[]访问对象的元素时自动调用。
• setitem()：当使用方括号运算符[]修改对象的元素时自动调用。的元素时自动调用。[]修改对的元素时自动调用。

1.6 nn.Linear 函数是干什么用的？

对输入向量进行线性变换的一个网络层类，，与之类似的类还有以下几个类： 'Bilinear（双线性变换' 'Identity（占位符) 'LazyLinear'（系数矩阵尺寸在第一次被调用时候自动初始化，不需要主动指定）

class Linear(Module):
    def __init__(self, in_features: int, out_features: int, bias: bool = True,device=None, dtype=None) -> None:
        ...

   def forward(self, input: Tensor) -> Tensor:
        return F.linear(input, self.weight, self.bias)

详细介绍见官方文档：Linear — PyTorch 2.0 documentation

初始化时候指定input_tensor[size_in_0,in_features] \output_tensor[size_out_0,out_features],即指定了线性层的系数矩阵尺寸 weight[in_features,out_features],计算时候 out_tensor = input_tensor * weight = [size_in_0,in_features] * [in_features,out_features] = [size_in_0 ,out_features] 在开头的例子中即为 out_tensor = input_tensor * weight = [2,10] * [10,1] = [2 ,1] 以上计算过程中可以发现，矩阵的最后一个维度是样本的特征维度，比如说线性变换中的自变量个数即为 in_features = 10 , 因变量的个数为 out_features = 1 ,这两个个数即为单个样本的特征维度或者说是特征数。倒数第二个维度是样本的批量大小，像本例中输入样本为2，输出样本自然的对应也应该是2，输入样本的数量不需要单独指定，在传入模型处理的时候，模型会自动去识别处理。

1.7 模型内部的网络参数是怎么定义的，如何查看？

访问权重系数 ：print(a.out.weight)

访问偏置系数 ：print(a.out.bias)