### Python `nn.Module` 的用法和相关信息 #### 定义神经网络模块 在 PyTorch 中，所有的神经网络组件都继承自基类 `torch.nn.Module`。这个类提供了许多有用的方法来构建、训练以及保存模型。 为了创建一个新的神经网络层或整个网络结构，通常会定义一个新类并让它继承自 `nn.Module`。通过这种方式可以方便地管理参数和其他子模块[^1]。 ```python import torch from torch import nn class MyCustomLayer(nn.Module): def __init__(self, input_features, output_features): super(MyCustomLayer, self).__init__() self.linear = nn.Linear(input_features, output_features) def forward(self, x): return torch.relu(self.linear(x)) ``` 在这个例子中，`MyCustomLayer` 继承了 `nn.Module` 并实现了自己的初始化方法 (`__init__()`) 和前向传播逻辑(`forward()`)。这里还展示了如何利用内置的线性变换层 `nn.Linear()` 来处理输入数据，并应用 ReLU 激活函数作为非线性的激活方式。 #### 参数管理和优化器集成 当定义好了一个基于 `nn.Module` 的模型之后，在实例化该对象时它就会自动注册所有可学习的参数到内部状态里去。这些参数可以通过 `.parameters()` 方法获取以便于传递给优化算法： ```python model = MyCustomLayer(10, 5) optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` 这段代码片段说明了怎样设置 Adam 优化器来更新我们之前定义好的自定义层中的权重。注意这里的 `model.parameters()` 返回的就是由 `nn.Module` 自动收集起来的所有需要被优化的学习变量列表。 #### 子模块组合 除了简单的单一层之外，还可以很容易地把多个现有的 PyTorch 层组合成更复杂的架构。这同样遵循着面向对象编程的原则——即大物件是由较小的功能单元构成的整体。下面是一个稍微复杂一点的例子，其中包含了卷积操作、批标准化以及最大池化的序列： ```python class ConvBlock(nn.Module): def __init__(self, in_channels, out_channels): super(ConvBlock, self).__init__() self.convolutional_layer = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=(3, 3), stride=(1, 1), padding='same') self.batch_normalization = nn.BatchNorm2d(out_channels) self.max_pooling = nn.MaxPool2d(kernel_size=(2, 2)) def forward(self, x): convolved_output = self.convolutional_layer(x) normalized_output = self.batch_normalization(convolved_output) pooled_result = self.max_pooling(normalized_output) activated_result = torch.relu(pooled_result) return activated_result ``` 上述实现展示了一种典型的图像特征提取管道，包括卷积滤波、批量归一化、下采样（通过最大池化），最后再施加ReLU激活以引入非线性特性。