torch.nn — PyTorch 2.3 documentation
torch.nn - PyTorch中文文档 (pytorch-cn.readthedocs.io)
nn是Neural Network的简称，帮助程序员方便执行如下的与神经网络相关的行为：
（1）创建神经网络
（2）训练神经网络
（3）保存神经网络
（4）恢复神经网络
torch.nn中的函数简介
-
Containers（容器）：神经网络的骨架
-
Convolution Layers：卷积层神经网络 torch.nn---Convolution Layers-CSDN博客
-
Pooling layers：池化层
-
Padding Layers：Padding
-
Non-linear Activations：非线性激活
-
Normalization Layers：正则化层
-
Recurrent Layers：循环神经网络层
-
Transformer Layers：
-
Linear Layers：
-
Dropout Layers：
torch.nn中Containers
class torch.nn.Module
所有网络的基类。
你的模型也应该继承这个类。
- Module：对于所有神经网络提供一个基本的骨架，一般定义一个神经网络用如下代码。其中，Model代表模型的名称，nn.Module就是继承了这个类的模板。然后我们先用
__init__初始化，其中super(Model,self).__init__()指的是对父类进行初始化，后面的部分是根据自己构建的神经网络个性化定制的。之后我们使用forword函数对输入数据进行计算，也可以这么理解：对于一个神经网络，首先输入数据-->使用forword函数计算数据-->输出数据，这个过程也叫前向传播。
import torch
from torch import nnclass Mymodule(nn.Module):def __init__(self):super(Mymodule, self).__init__()def forward(self, input):output = input+1 #对输入神经网络的数据+1，然后返回return outputmymodule = Mymodule()
x = torch.tensor(1.0) #输入神经网络的数据
output = mymodule(x)
print(output) #输出神经网络的数据神经网络运行过程
为了更好地说明上面代码的运行过程，把debug打到第14行的mymodule = Mymodule()代码上，并点击Step into My Code：
之后一直点击Step into My Code，就可以看到代码的运行过程如下：
-
在调用
demo=Demo()后，首先使用super().__init__()对nn.Module进行初始化 -
然后设定输入值
x，并使用demo(x)将该值传入到forword函数中 -
forword函数将该值进行加一，并返回output -
最后将返回的output输出
torch.nn.Sequential
Sequential — PyTorch 2.3 documentation
model = nn.Sequential(nn.Conv2d(1,20,5),nn.ReLU(),nn.Conv2d(20,64,5),nn.ReLU())-
在第一个变量名model中，依次执行
nn.Convd2d(1,20,5)、nn.ReLU()、nn.Conv2d(20,64,5)、nn.ReLU()四个函数。这样写起来的好处是使代码更简洁。 -
由此可见，函数nn.Sequential的主要作用为依次执行括号内的函数
