什么是nn.Module

`nn.Module` 是 PyTorch 中的一个基础类，用于构建神经网络。在 PyTorch 中，神经网络模型的构建和训练都是通过组合 `nn.Module` 的子类来完成的。

`nn.Module` 为神经网络提供了许多有用的功能，包括：
- 自动追踪模型中的参数；
- 可以使用 `.cuda()` 方法将模型移动到 GPU 上进行训练；
- 基于反向传播自动计算梯度。

当我们定义神经网络时，通常需要实现 `nn.Module` 的子类，并在其中定义网络的结构和前向传播方法。例如：

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, 3, padding=1)
        self.conv2 = nn.Conv2d(16, 32, 3, padding=1)
        self.fc = nn.Linear(32 * 8 * 8, 10)
        
    def forward(self, x):
        x = self.conv1(x)
        x = nn.functional.relu(x)
        x = nn.functional.max_pool2d(x, 2)
        x = self.conv2(x)
        x = nn.functional.relu(x)
        x = nn.functional.max_pool2d(x, 2)
        x = x.view(-1, 32 * 8 * 8)
        x = self.fc(x)
        return x

在这个例子中，我们定义了一个名为 `MyModel` 的子类，并在其构造函数中定义了三个层（两个卷积层和一个全连接层）。在 `forward` 方法中，我们定义了网络的前向传播逻辑。这个模型可以接受一个输入张量 `x`，并返回一个输出张量。整个模型的结构就是输入 x 经过一系列的卷积层、激活函数、池化层和全连接层后得到的输出。

在实际使用中，我们可以通过创建一个 `MyModel` 的实例来构建一个神经网络，并调用它的 `forward` 方法来进行前向传播计算。例如：

model = MyModel()
input_tensor = torch.randn(1, 3, 32, 32)
output_tensor = model(input_tensor)