举例说明，如何使用nn.ModuleDict

来定义一个由多个子模块组成的神经网络？

我们可以使用nn.ModuleDict来定义一个由多个子模块组成的神经网络，具体步骤如下：

1. 首先定义一个字典，其中包含多个子模块的键值对，每个子模块的键为字符串，值为对应的nn.Module对象。

2. 将该字典传入nn.ModuleDict类中进行实例化，得到一个nn.ModuleDict对象。

3. 在该对象的forward()方法中，按照字典中的键值对顺序依次调用子模块的forward()方法，并将前一层的输出作为后一层的输入，最终输出最后一层的输出结果。

示例代码如下：

import torch.nn as nn

class MyNet(nn.Module):
    def __init__(self, in_dim, out_dim):
        super(MyNet, self).__init__()
        
        self.submodules = nn.ModuleDict({
            'linear1': nn.Linear(in_dim, 64),
            'relu1': nn.ReLU(),
            'linear2': nn.Linear(64, 32),
            'relu2': nn.ReLU(),
            'linear3': nn.Linear(32, out_dim)
        })
        
    def forward(self, x):
        out = x
        for module in self.submodules.values():
            out = module(out)
        return out

在这个例子中，我们定义了一个包含5个子模块的神经网络，它们由4个线性层和3个ReLU激活函数按照固定的顺序组成。在MyNet对象的forward()方法中，我们依照子模块的键值对的顺序依次调用它们的forward()方法，并将前一层的输出作为后一层的输入，最终输出最后一层的输出结果。