介绍pytorch中的nn.Module类

在PyTorch中，`nn.Module`是所有神经网络模块的基类。它是一个封装了参数、计算方法以及其他网络组件的类，可以用来构建自己的神经网络模型。

每个`nn.Module`子类的构造函数中都应该调用基类的构造函数。在`__init__`方法中，我们可以定义网络中的各个层、参数和其他组件。我们也可以在`forward`方法中定义网络的前向传播过程，即输入数据经过一系列计算后得到输出结果。

`nn.Module`提供了很多实用的方法，例如`parameters`方法可以返回模型中所有可训练的参数，`to`方法可以将模型转移到指定的设备上等。

示例代码：

import torch
import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU(inplace=True)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc = nn.Linear(16 * 14 * 14, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

model = MyModel()
input = torch.randn(1, 3, 28, 28)
output = model(input)

这里我们定义了一个简单的卷积神经网络模型，包括了一个卷积层、一个ReLU激活函数、一个最大池化层和一个全连接层。在`forward`方法中，我们定义了输入数据的前向传播过程。我们可以通过调用`parameters`方法打印出模型中的所有参数：`print(list(model.parameters()))`。我们还可以使用`to`方法将模型转移到GPU上：`model.to(device)`。