nn.Module 子类重写forward

当你定义一个 `nn.Module` 的子类时，你通常会重写 `forward` 方法。`forward` 方法定义了模型的前向传播逻辑，即输入数据经过模型的各个层和操作，最终得到输出结果。

在重写 `forward` 方法时，你需要根据具体的模型架构和任务需求，编写相应的代码。以下是一个简单的例子，展示了如何重写 `forward` 方法：

import torch
import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)
    
    def forward(self, x):
        x = self.fc1(x)
        x = torch.relu(x)
        x = self.fc2(x)
        return x

在这个例子中，`MyModel` 是一个简单的前馈神经网络模型，包含两个全连接层。在 `forward` 方法中，输入 `x` 首先经过第一个全连接层 `fc1`，然后通过 ReLU 激活函数，再经过第二个全连接层 `fc2`，最后返回输出结果。

你可以根据需要对 `forward` 方法进行自定义修改，例如添加更多的层、引入非线性激活函数、使用其他操作等。重写 `forward` 方法是实现自定义模型行为的关键步骤。