在 PyTorch 中，nn.Module 是所有神经网络模块的基类，用于构建和组织深度学习模型。它提供了一系列工具和功能，使模型的定义、训练和部署更加高效和灵活。
nn = Neural Network（神经网络）
核心作用：
模块化设计：将复杂的神经网络拆分为多个可复用的子模块（如卷积层、全连接层、激活函数等）。
自动管理参数：通过
nn.Parameter自动追踪模型中的可训练参数（如权重和偏置）。前向传播定义：通过重写
forward()方法定义数据的流动路径。设备管理：一键将整个模型移至 GPU（如
model.to('cuda')）。训练 / 评估模式切换：通过
model.train()和model.eval()切换模型状态（影响 Dropout、BatchNorm 等层）。
Torch.nn 组件库
torch.nn 是 PyTorch 中用于构建神经网络的核心库，提供了各种预定义的层、损失函数和工具类，帮助你快速搭建和训练深度学习模型。它的主要特点包括：
模块化设计：所有组件（如卷积层、全连接层）都继承自
nn.Module，便于组织和复用。自动求导：与 PyTorch 的自动微分系统（
autograd）无缝集成。GPU 支持：所有组件可轻松迁移至 GPU 运行。
torch.nn 是工具盒，nn.Module 是组装工具的框架。自定义模型时，你需要用 nn.Module 作为基类，并用 torch.nn 中的组件填充它。 nn.Module 是 torch.nn 模块库中的一个核心基类，用于定义和组织神经网络。它是 PyTorch 模型构建的基础，所有层和模型最终都继承自它。
官网示例代码：
import torch.nn as nn
import torch.nn.functional as Fclass Model(nn.Module):def __init__(self):super(Model, self).__init__()self.conv1 = nn.Conv2d(1, 20, 5)self.conv2 = nn.Conv2d(20, 20, 5)def forward(self, x):x = F.relu(self.conv1(x))return F.relu(self.conv2(x))
代码练习：
import torch
from torch import nnclass myModule(nn.Module):def __init__(self):super().__init__()def forward(self,input):output=input+1return outputmodel1=myModule()
x = torch.tensor(1.0)
output=model1(x)
print(output)
