torch.nn.model用法

`torch.nn.Module` 是 PyTorch 中定义神经网络模型的基类，我们可以继承它来创建自己的模型。

在继承 `torch.nn.Module` 后，需要定义模型的构造函数 `__init__` 和前向传播函数 `forward`。构造函数中可以定义网络的结构，包括卷积层、全连接层等，前向传播函数中可以定义输入数据的处理过程，如卷积、池化、激活函数等操作。

下面是一个简单的示例，定义了一个包含一个全连接层的线性模型：

import torch.nn as nn

class LinearModel(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(LinearModel, self).__init__()
        self.fc = nn.Linear(input_dim, output_dim)

    def forward(self, x):
        x = self.fc(x)
        return x

在上面的代码中，`__init__` 函数中定义了一个全连接层，输入维度为 `input_dim`，输出维度为 `output_dim`。`forward` 函数中通过 `self.fc(x)` 完成了输入数据到输出数据的转换。

接下来，我们可以使用定义好的模型进行训练和预测。例如：

import torch

# 定义输入数据和标签
x = torch.randn(10, 20)
y = torch.randn(10, 1)

# 定义模型
model = LinearModel(20, 1)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

# 训练模型
for epoch in range(100):
    # 前向传播
    y_pred = model(x)

    # 计算损失
    loss = criterion(y_pred, y)

    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 打印损失
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))

# 使用模型进行预测
x_test = torch.randn(5, 20)
y_pred = model(x_test)

在训练过程中，我们首先进行前向传播，得到模型的预测结果。然后计算损失，并通过反向传播求解梯度。最后使用优化器更新模型参数。在训练过程中可以使用 `loss.item()` 获取当前的损失值。

训练完成后，我们可以使用模型进行预测。在上面的示例中，我们使用了一个随机生成的输入数据 `x_test`，并通过模型的前向传播得到了预测结果 `y_pred`。