重新理解一个类中的forward()和__init__()函数

forward()函数和__init__()的关系

__init__()

是一个类的构造函数，用于初始化对象的属性。它会在创建对象时自动调用，而且通常在这里完成对象所需的所有初始化操作。

forward()

是一个神经网络模型中的方法，用于定义数据流的向前传播过程。它接受输入数据，通过网络的各个层进行计算，最终返回输出结果。

在神经网络的 PyTorch 实现中，**

__init__()

方法通常用于实例化各个网络层（例如卷积层、池化层、全连接层的维度等【这里只是执行了初始化，但是可以通过后面实例化时调用的forward()重新给神经网络维度赋值**】），并设置各层的超参数（例如卷积核大小、步幅、填充等）。而 **

forward()

方法则定义了这些网络层之间的计算顺序与逻辑，它负责将输入数据传递到网络中，并返回计算结果【这里输入进forward的数据维度要和forward()接收的第一个参数维度相同，虽然你看它只接受了一个参数‘x’，但是这个x的维度是多维的（在本代码中就是(input_dim, hidden_dim)两个大维度），而不是普通意义上的一个自然数】**。

因此，两个方法通常一起使用，

__init__()

用于设置网络结构和超参数，

forward()

则定义了从输入到输出的完整计算流程。

例子：

定义类：

import torch
import torch.nn as nn

class SimpleNet(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, output_dim)
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

在上面的代码中，我们定义了一个名为

SimpleNet

的神经网络模型，它继承自 PyTorch 中的

nn.Module

类。我们在

__init__()

方法中定义了三层网络结构，分别是输入层

fc1

、激活层

relu

和输出层

fc2

。其中，输入层和输出层都使用了全连接层（

nn.Linear

），而激活层使用了 ReLU 激活函数。

在

forward()

方法中，我们按照输入数据

x

经过

fc1

、

relu

和

fc2

三层的顺序进行计算，最终返回输出结果

out

。

调用

调用上述代码的

forward()

方法需要先创建一个

SimpleNet

类的对象，并将输入数据传递给该对象。以下是一个简单的示例：

# 创建一个 SimpleNet 对象，设置输入维度为 10，隐藏层维度为 20，输出维度为 5
net = SimpleNet(10, 20, 5)

# 构造一个随机的输入张量，大小为 [batch_size, input_dim]，这里令 batch_size=1
input_tensor = torch.randn(1, 10)

# 将输入张量传入网络中，得到输出张量
output_tensor = net(input_tensor)

# 打印输出张量的形状
print(output_tensor.shape)

为什么上面的代没有看到

__init__()、

forword()函数的出现就完成了上述代码的调用呢？

初始化一个类时，则自动调用了该类的

__init__()

方法【net = SimpleNet(10, 20, 5)】

调用一个类的实例时，会自动调用该类的

forward()

方法【output_tensor = net(input_tensor)】