Samar-blog

打開PyTorch官網(wǎng)

1.找到troch.nn的Containers

2.打開pycharm：代碼-生成-重寫方法-選擇第一個要初始化的方法__init__

3.pycharm運行代碼如下

import torch
from torch import nn

#1.定義神經(jīng)網(wǎng)絡(luò)的模板
class Dyl(nn.Module):   #定義一個名為Dyl的神經(jīng)網(wǎng)絡(luò)類,繼承自nn.Module
    #-> None：類型注解，表示該方法不返回值；  super().__init__()：調(diào)用父類nn.Module的初始化方法
    def __init__(self) -> None:
        super().__init__()
    def forward(self,input):
        output = input + 1
        return output
#2.創(chuàng)建神經(jīng)網(wǎng)絡(luò)
dyl = Dyl()   #創(chuàng)建Dyl類的一個實例（對象），dyl現(xiàn)在是一個可用的神經(jīng)網(wǎng)絡(luò)
x = torch.tensor(1.0) #x作為輸入
output = dyl(x)       #將x放在神經(jīng)網(wǎng)絡(luò)里面即dyl(x)作為輸出
print(output)

4.輸出結(jié)果

D:\anaconda3\envs\pytorch\python.exe D:/DeepLearning/Learn_torch/P15_nnModule.py
tensor(2.)

進程已結(jié)束,退出代碼0

5.debug一下：在“dyl = Dyl()”處設(shè)置斷點

（1）【deepseek總結(jié)】完整的執(zhí)行流程總結(jié)：

1. 創(chuàng)建Dyl實例 → 自動調(diào)用__init__ → 調(diào)用父類初始化
2. 創(chuàng)建輸入張量 x = 1.0
3. 調(diào)用dyl(x) → 觸發(fā)__call__方法 → 調(diào)用forward方法
4. 在forward中執(zhí)行計算：1.0 + 1 = 2.0
5. 返回計算結(jié)果
6. 打印輸出結(jié)果

（2）第一步：super().init()

原因：當(dāng)創(chuàng)建 Dyl 類的實例時，Python會自動調(diào)用 init 方法
具體內(nèi)容：
super() 獲取父類 nn.Module 的引用
.init() 調(diào)用父類的構(gòu)造函數(shù)
作用：初始化神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)設(shè)施，包括參數(shù)管理、鉤子函數(shù)、設(shè)備設(shè)置等
必要性：所有繼承 nn.Module 的類都必須調(diào)用父類構(gòu)造函數(shù)

（3）第二步：x = torch.tensor(1.0)

原因：需要為神經(jīng)網(wǎng)絡(luò)創(chuàng)建輸入數(shù)據(jù)
具體內(nèi)容：
torch.tensor(1.0) 創(chuàng)建一個值為1.0的PyTorch張量
數(shù)據(jù)類型：自動推斷為 torch.float32
作用：作為神經(jīng)網(wǎng)絡(luò)的輸入，模擬實際應(yīng)用中的數(shù)據(jù)

（4）第三步：output = dyl(x)

原因：調(diào)用神經(jīng)網(wǎng)絡(luò)進行前向傳播計算
具體內(nèi)容：
dyl(x) 實際上調(diào)用的是 dyl.call(x)
PyTorch的 nn.Module 重寫了 call 方法
內(nèi)部過程：
設(shè)置網(wǎng)絡(luò)為適當(dāng)模式（訓(xùn)練/評估）
調(diào)用鉤子函數(shù)（如果有）
最終調(diào)用 forward 方法

（5）第四步：output = input + 1（在forward方法內(nèi)）

原因：執(zhí)行神經(jīng)網(wǎng)絡(luò)的實際計算邏輯
具體內(nèi)容：
input 是從上一步傳入的 x（值為1.0的張量）
input + 1 執(zhí)行張量加法運算
計算過程：1.0 + 1 = 2.0
注意：這里使用的是PyTorch張量運算，不是普通的Python加法

（6）第五步：return output

原因：將計算結(jié)果返回給調(diào)用者
具體內(nèi)容：
返回值為 2.0 的PyTorch張量
這個返回值被賦值給變量 output

（7）第六步：print(output)

原因：顯示神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果
具體內(nèi)容：
打印 output 變量，即 tensor(2.)
顯示格式：PyTorch為了簡潔，將 2.0 顯示為 2.