使用autograd可實現深度學習模型，但其抽象程度較低，如果用其來實現深度學習模型，則需要編寫的代碼量極大。在這種情況下，torch.nn應運而生，其是專門爲深度學習而設計的模塊。torch.nn的核心數據結構是Module，它是一個抽象概念，既可以表示神經網絡中的某個層（layer），也可以表示一個包含很多層的神經網絡。在實際使用中，最常見的做法是繼承nn.Module，撰寫自己的網絡/層。
全連接層的實現非常簡單，其代碼量不超過10行，但需注意以下幾點：
- 自定義層
Linear必須繼承nn.Module，並且在其構造函數中需調用nn.Module的構造函數，即super(Linear, self).__init__()或nn.Module.__init__(self)，推薦使用第一種用法，儘管第二種寫法更直觀。 - 在構造函數
__init__中必須自己定義可學習的參數，並封裝成Parameter，如在本例中我們把w和b封裝成parameter。parameter是一種特殊的Tensor，但其默認需要求導（requires_grad = True），感興趣的讀者可以通過nn.Parameter??，查看Parameter類的源代碼。 forward函數實現前向傳播過程，其輸入可以是一個或多個tensor。- 無需寫反向傳播函數，nn.Module能夠利用autograd自動實現反向傳播，這點比Function簡單許多。
- 使用時，直觀上可將layer看成數學概念中的函數，調用layer(input)即可得到input對應的結果。它等價於
layers.__call__(input)，在__call__函數中，主要調用的是layer.forward(x)，另外還對鉤子做了一些處理。所以在實際使用中應儘量使用layer(x)而不是使用layer.forward(x)，關於鉤子技術將在下文講解。 Module中的可學習參數可以通過named_parameters()或者parameters()返回迭代器，前者會給每個parameter都附上名字，使其更具有辨識度。
可見利用Module實現的全連接層，比利用Function實現的更爲簡單，因其不再需要寫反向傳播函數。
Module能夠自動檢測到自己的Parameter，並將其作爲學習參數。除了parameter之外，Module還包含子Module，主Module能夠遞歸查找子Module中的parameter。下面再來看看稍微複雜一點的網絡，多層感知機。