pytorch中forwod函数在父类中的调用方式解读

在PyTorch中，forwod函数是实现神经网络前向传递过程中必须要实现的函数。它被定义在一个继承自nn.Module的类中，用于计算输入数据的结果。而nn.Module本身也是一个抽象类，定义了一些必要的方法，如forwod和backward。在nn.Module中，forwod函数被定义为抽象方法，因此需要在子类中进行实现。

在实现forwod函数时，一般需要调用父类的forwod函数来完成其正常的神经网络计算过程。在子类中实现了forwod函数后，可以通过调用其父类的forwod函数来完成神经网络计算的传递。forwod函数的调用方式是super().forward()，其中super关键字指向父类。

下面是两个例子，分别是一个简单的全连接神经网络和一个简单的卷积神经网络，展示了forwod函数的调用方式。

示例一：

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

在这个例子中，定义了一个简单的三层全连接神经网络。在forward函数中，通过x.view(-1, 784)将输入数据展开为一个一维向量，之后依次经过三个全连接层。在第二个和第三个全连接层之间用了ReLU激活函数进行非线性变换。在第三个全连接层之后直接返回计算结果。其中，super(Net, self).forward()实际上并没有被调用，因为它没有被覆盖。

示例二：

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

在这个例子中，定义了一个简单的卷积神经网络。在forward函数中，首先经过一个5x5的卷积层，之后进行2x2的池化操作，并使用ReLU激活函数进行非线性变换。在经过第二个5x5的卷积层并进行2x2的池化之后，使用x.view(-1, 16 * 5 * 5)对张量进行展开，并依次经过三个全连接层。在第二个和第三个全连接层之间用了ReLU激活函数进行非线性变换。在第三个全连接层之后直接返回计算结果。其中，super(Net, self).forward()实际上没有被调用，因为它没有被覆盖。