推荐答案
在 PyTorch 中，定义前向传播 (Forward Pass) 是通过在自定义的神经网络类中重写 forward 方法来实现的。以下是一个简单的示例：
-- -------------------- ---- -------
------ -----
------ -------- -- --
----- ---------------------
--- ---------------
---------------- ----------------
-------- - ------------- ---
-------- - ------------- --
--- ------------- ---
- - -----------------------
- - -----------
------ -在这个示例中，SimpleNet 类继承自 nn.Module，并在 __init__ 方法中定义了两个全连接层 (fc1 和 fc2)。forward 方法定义了数据如何通过这些层进行前向传播。
本题详细解读
1. nn.Module 基类
在 PyTorch 中，所有的神经网络模块都继承自 nn.Module 基类。这个基类提供了许多有用的功能，例如参数管理、模型保存和加载等。
2. __init__ 方法
在 __init__ 方法中，我们定义了网络的结构。通常，我们会在这里定义所有的层和参数。例如，self.fc1 = nn.Linear(10, 50) 定义了一个输入维度为 10，输出维度为 50 的全连接层。
3. forward 方法
forward 方法是定义前向传播的核心部分。它接收输入数据 x，并通过网络中的各个层进行处理。在这个示例中，输入数据首先通过 fc1 层，然后经过 ReLU 激活函数，最后通过 fc2 层得到输出。
4. 前向传播的执行
当我们实例化 SimpleNet 并传入输入数据时，PyTorch 会自动调用 forward 方法。例如：
model = SimpleNet() input_data = torch.randn(1, 10) output = model(input_data)
在这个例子中，input_data 是一个形状为 (1, 10) 的张量，表示一个批次中的一个样本。model(input_data) 会自动调用 forward 方法，并返回最终的输出。
5. 注意事项
forward方法不应该直接调用，而是通过调用模型实例来间接调用。forward方法中可以使用任意的 Python 控制流（如循环、条件语句），这使得 PyTorch 非常灵活。forward方法的返回值通常是模型的输出，但也可以是任何其他形式的数据结构。
通过这种方式，PyTorch 允许我们以非常直观和灵活的方式定义神经网络的前向传播过程。