本文轉自： https://blog.csdn.net/dss_dssssd/article/details/82977170
先看一個列子：
import torch
from torch import nn
m = nn.Linear(20, 30)
input = torch.randn(128, 20)
output = m(input)
output.size()
out:
torch.Size([128, 30])
剛開始看這份代碼是有點迷惑的，m是類對象，而直接像函數一樣調用m，m(input)
重點：
nn.Module 是所有神經網絡單元（neural network modules）的基類
pytorch在nn.Module中，實現了__call__方法，而在__call__方法中調用了forward函數。
經過以上兩點。上述代碼就不難理解。
接下來看一下源碼：
https://github.com/pytorch/pytorch/blob/master/torch/nn/modules/module.py
再來看一下nn.Linear
https://pytorch.org/docs/stable/_modules/torch/nn/modules/linear.html
主要看一下forward函數：
返回的是：
input∗weight+biasinput∗weight+bias input * weight + biasinput∗weight+bias的線性函數
此時再看一下這一份代碼：
import torch
from torch import nn
m = nn.Linear(20, 30)
input = torch.randn(128, 20)
output = m(input)
output.size()
12345678
首先創建類對象m，然後通過m(input)實際上調用__call__(input)，然後__call__(input)調用
forward()函數，最後返回計算結果爲：
[128,20]×[20,30]=[128,30][128,20]×[20,30]=[128,30] [128, 20] \times [20, 30] = [128, 30][128,20]×[20,30]=[128,30]
所以自己創建多層神經網絡模塊時，只需要在實現__init__和forward即可.
接下來看一個簡單的三層神經網絡的例子：
# define three layers
class simpleNet(nn.Module):
def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
super().__init__()
self.layer1 = nn.Linear(in_dim, n_hidden_1)
self.layer2 = nn.Linear(n_hidden_1, n_hidden_2)
self.layer3 = nn.Linear(n_hidden_2, out_dim)
def forward(self, x):
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
return x
12345678910111213141516
以下爲各層神經元個數：
輸入： in_dim
第一層： n_hidden_1
第二層：n_hidden_2
第三層（輸出層）：out_dim
---------------------
作者：墨氳
來源：CSDN
原文：https://blog.csdn.net/dss_dssssd/article/details/82977170
版權聲明：本文爲博主原創文章，轉載請附上博文鏈接！