pytorch __init__、forward与__call__的用法小结

1. pytorch __init__方法

在使用PyTorch进行深度学习任务时，我们经常需要创建自定义的神经网络模型。这时我们需要定义一个新的类，并在这个类中实现__init__方法。__init__方法是Python中的一个特殊方法，用于初始化对象的属性。

在PyTorch中，我们通常使用nn.Module类作为模型的基类，并在子类中定义我们的模型。下面是一个简单的例子：

import torch
import torch.nn as nn
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        # 在这里定义模型的结构
model = MyModel()

在这个例子中，我们定义了一个名为MyModel的类，并继承了nn.Module类。在__init__方法中调用了父类的__init__方法，以确保正确地初始化模型。然后我们可以在__init__方法中定义模型的结构，例如添加卷积层、全连接层等。

2. pytorch forward方法

在PyTorch中，我们需要在模型类中实现forward方法。forward方法定义了模型的前向传播逻辑，即定义了输入如何通过网络得到输出。

下面是一个简单的例子：

import torch
import torch.nn as nn
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 5)
    def forward(self, x):
        x = self.fc(x)
        return x
model = MyModel()
input = torch.randn(1, 10)
output = model(input)

在这个例子中，我们定义了一个名为MyModel的类，并继承了nn.Module类。在__init__方法中定义了一个全连接层。在forward方法中，我们将输入x通过全连接层fc，并返回输出。

在使用模型进行前向传播时，我们只需要调用模型的forward方法即可。上面的例子中，我们创建了一个输入input，然后通过model(input)得到了输出output。

3. pytorch __call__方法

在PyTorch中，模型类还可以实现__call__方法。__call__方法使得我们可以像调用函数一样直接调用模型对象，而不需要显式地调用forward方法。

下面是一个例子：

import torch
import torch.nn as nn
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 5)
    def forward(self, x):
        x = self.fc(x)
        return x
    def __call__(self, x):
        return self.forward(x)
model = MyModel()
input = torch.randn(1, 10)
output = model(input)

在这个例子中，我们在MyModel类中实现了__call__方法，并在这个方法中直接调用了forward方法。因此，我们可以直接将模型对象model当作函数来调用，输入是x，返回值是模型的输出。

以上就是pytorch中__init__、forward和__call__方法的用法小结。__init__方法用于初始化模型的属性，forward方法定义了模型的前向传播逻辑，__call__方法允许我们像调用函数一样通过模型对象进行前向传播。