MXNet学习笔记：HybridBlock类hybrid_forwar()函数解析

  MXNet中，gluon.Block类和gluon.HybridBlock类，和Pytorch中的nn.Module类一样，我们通过继承Block类和HybridBlock类可以很灵活的搭建我们自己的网络模型，这里总结一下HybridBlock类使用过程中的一些注意点。

HybridBlock类和Block类的区别

  HybridBlock类继承至Block类，所以HybridBlock类有Block类的全部方法和属性。HybridBlock同时支持符号式编程和命令式编程，HybridBlock类可以调用hybridize()方法，从而可以从命令式变为符号式，从而将动态图转化为静态图，提高模型的计算性能和移植性。下面是两者的比较：

	HybridBlock类	Block类
重写方法	__init__()、hybrid_forward(self, F, x, *args, **kwargs)	__init__()、forwad(self,x,*args)
是否支持符号式	是	否
支持输入参数	位置式参数、关键字参数	只支持位置式参数
是否支持导出符号模型	是	否

  可以看出HybridBlock类除了多支持符号式编程外，和Block基本没什么区别，但是注意到支持输入参数那一栏，hybrid_forward函数还支持输入关键字参数，这点也和Block不一样，下面详细分析一下hybrid_forward的调用过程。

hybrid_forward()分析

  当我们构建一个HybridBlock类后，需要重写其|__init__()、hybrid_forward()方法，而我们在源码中可以看到，当一个HybridBlock类进行forward操作时，其流程如下：

  __call__()-------->forward()-------->hybrid_forward()

  可以看出HybridBlock类是通过forward()方法中来调用hybrid_forward()。由于HybridBlock类中的forward()方法已经被重写过了，所以我们只需要重写hybrid_forward()就可以了，其中forward()函数如下：

    def forward(self, x, *args):
        """Defines the forward computation. Arguments can be either
        :py:class:`NDArray` or :py:class:`Symbol`."""
        if isinstance(x, NDArray):
            with x.context as ctx:
                if self._active: