class Network(nn.Module): def __init__(self): super(Network,self).__init__()

<think>我们正在定义一个自定义神经网络类，需要继承自PyTorch的nn.Module类。 根据引用[1][2][3][4]，我们需要做以下事情： 1. 创建一个类，并继承自nn.Module。 2. 在类的__init__方法中，调用父类（nn.Module）的__init__方法（使用super()）。 3. 在__init__方法中定义网络层（比如线性层、卷积层等）以及任何需要的参数（使用nn.Parameter）或缓冲区（使用register_buffer）。 4. 实现forward方法，定义前向传播的计算逻辑。 下面是一个简单的例子，定义一个具有两个全连接层的神经网络： - 输入层到隐藏层（全连接） - 隐藏层到输出层（全连接） - 隐藏层使用ReLU激活函数 注意：在PyTorch中，我们通常将层定义为类的属性，这样PyTorch可以自动跟踪这些层的参数（用于梯度计算和优化）。 步骤： 1. 导入torch和torch.nn 2. 定义类，继承nn.Module 3. 在__init__中初始化各层 4. 在forward中定义数据如何通过各层 另外，根据引用[3]，我们还需要注意： - 如果层中有可学习的参数（如权重和偏置），应使用nn.Parameter（但通常我们使用PyTorch提供的层，如nn.Linear，它们已经封装了参数，我们不需要自己创建Parameter，除非是自定义参数）。 - 如果有一些不需要梯度的状态（如运行时的统计量），可以使用register_buffer。 - 在forward中实现前向传播，不要直接调用__call__，而是调用forward（但通常我们通过调用实例来触发forward，即net(input)会自动调用forward）。 下面我们写一个示例代码：</think>在 PyTorch 中定义自定义神经网络类需要继承 `nn.Module` 并实现关键方法，以下是完整实现步骤： ### 1. **基础结构定义** ```python import torch import torch.nn as nn class CustomNet(nn.Module): # 继承核心基类[^1][^2] def __init__(self, input_size, hidden_size, output_size): super().__init__() # 必须调用父类初始化[^3] # 定义网络层 self.fc1 = nn.Linear(input_size, hidden_size) # 全连接层1 self.relu = nn.ReLU() # 激活函数 self.fc2 = nn.Linear(hidden_size, output_size) # 全连接层2 def forward(self, x): # 实现前向传播逻辑[^4] x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x ``` ### 2. **关键组件说明** 1. **`__init__` 方法**： - 使用 `super().__init__()` 确保正确初始化父类[^3] - 定义网络层为**类属性**（如 `self.fc1`），PyTorch 会自动追踪参数 - 常用层类型： - `nn.Linear`：全连接层 - `nn.Conv2d`：卷积层 - `nn.LSTM`/`nn.GRU`：循环层 2. **`forward` 方法**： - 实现数据从输入到输出的计算流程 - 禁止直接调用 `net.forward(x)`，应使用 `net(x)`（自动触发钩子）[^4] ### 3. **使用示例** ```python # 实例化网络 model = CustomNet(input_size=784, hidden_size=128, output_size=10) # 前向传播 input_data = torch.randn(32, 784) # 批量大小32 output = model(input_data) # 自动调用forward print(output.shape) # 输出 torch.Size([32, 10]) ``` ### 4. **高级特性** **自定义参数**（使用 `nn.Parameter`）： ```python class CustomLayer(nn.Module): def __init__(self): super().__init__() self.weight = nn.Parameter(torch.randn(10, 5)) # 可训练参数[^3] def forward(self, x): return x @ self.weight ``` **容器组织**（使用 `nn.Sequential`）： ```python class BlockNet(nn.Module): def __init__(self): super().__init__() self.block = nn.Sequential( # 顺序容器[^4] nn.Conv2d(3, 16, 3), nn.BatchNorm2d(16), nn.ReLU() ) def forward(self, x): return self.block(x) ``` ### 5. **最佳实践** 1. 所有子层必须在 `__init__` 中定义（动态创建层会导致参数不可见） 2. 前向传播中避免使用原地操作（如 `x += 1`） 3. 打印网络结构：`print(model)` 4. 获取参数：`list(model.parameters())` > 关键点：PyTorch 通过继承 `nn.Module` 实现自动微分，框架会追踪所有通过 `nn.Parameter` 注册的张量，并在反向传播时计算梯度[^1][^3]。