如何用pytorch框架自己写一层网络

要用 PyTorch 框架自己写一层网络，你需要定义一个继承了 `nn.Module` 的类，并实现 `forward` 方法。下面是一个简单的例子，实现了一个全连接层：

import torch.nn as nn

class MyLinear(nn.Module):
    def __init__(self, in_features, out_features):
        super(MyLinear, self).__init__()
        self.weight = nn.Parameter(torch.Tensor(out_features, in_features))
        self.bias = nn.Parameter(torch.Tensor(out_features))
        self.reset_parameters()

    def reset_parameters(self):
        nn.init.kaiming_uniform_(self.weight, a=math.sqrt(5))
        fan_in, _ = nn.init._calculate_fan_in_and_fan_out(self.weight)
        bound = 1 / math.sqrt(fan_in)
        nn.init.uniform_(self.bias, -bound, bound)

    def forward(self, input):
        return input.matmul(self.weight.t()) + self.bias

在这个例子中，我们继承了 `nn.Module` 类，并定义了 `__init__`、`reset_parameters` 和 `forward` 方法。其中，`__init__` 方法初始化了权重和偏置，`reset_parameters` 方法用 Kaiming 初始化方法初始化权重，用均匀分布初始化偏置（根据 fan_in 计算上下界），`forward` 方法计算输入和权重的乘积，再加上偏置。

注意，我们在 `__init__` 方法中用 `nn.Parameter` 来声明权重和偏置，并用 `reset_parameters` 方法来初始化它们，这样 PyTorch 才能自动追踪这些参数的梯度，从而支持反向传播算法。