nn.moudle详解

`nn.Module` 是 PyTorch 中用于构建神经网络模型的基类。所有自定义的神经网络模型都应该继承自 `nn.Module` 类。`nn.Module` 类提供了很多有用的方法，使得神经网络模型的构建和训练变得更加简单。

`nn.Module` 类的常用方法：

- `__init__(self)`: 初始化函数，用于定义模型的结构和参数；
- `forward(self, input)`: 前向传播函数，用于定义模型的计算过程；
- `parameters(self)`: 返回模型中所有需要训练的参数（权重和偏置）；
- `named_parameters(self)`: 返回模型中所有需要训练的参数及其名称；
- `zero_grad(self)`: 将模型中所有参数的梯度设置为0；
- `to(self, device)`: 将模型移动到指定的设备上（如：CPU或GPU）；
- `train(self, mode=True)`: 设置模型为训练模式，当模型中包含一些会改变的操作时（如：Dropout），需要调用该方法；
- `eval(self)`: 设置模型为评估模式，当模型中包含一些不会改变的操作时（如：BatchNorm），需要调用该方法。

下面是一个简单的例子，展示了如何使用 `nn.Module` 类来构建一个神经网络模型：

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv2(x), 2))
        x = x.view(-1, 320)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return nn.functional.log_softmax(x, dim=1)

在这个例子中，我们定义了一个名为 `Net` 的模型，继承自 `nn.Module` 类。在 `__init__` 方法中，我们定义了模型的结构和参数，包括两个卷积层和两个全连接层。在 `forward` 方法中，我们定义了模型的计算过程，包括卷积、池化、全连接和激活操作。我们还可以通过调用其他 `nn.Module` 类中的方法，如 `nn.functional.relu` 和 `nn.functional.log_softmax` 等，来方便地构建模型。