Pytorch:PyTorch中的nn.Module.forward()函数、torch.randn()函数和torch.cat()函数使用

nn.Module.forward()函数使用：

在类初始化的时候并不会触发forward()函数的调用，而是在实例化后，在需要计算前向传播时才会被调用。
当你实例化了一个神经网络时，可以通过传入网络输入，调用其forward()函数输入到神经网络中，获取输出结果。

下面是一个简单的例子，使用一个随机初始化的神经网络来完成求X和Y的和的操作，供你参考：

import torch
import torch.nn as nn

class AddNet(nn.Module):
    def __init__(self, in_dim, h_dim=5, out_dim=1):
        super().__init__()
        self.fc1 = nn.Linear(in_dim, h_dim)
        self.fc2 = nn.Linear(h_dim, out_dim)

    def forward(self, x, y):
        out = torch.cat([x, y], dim=1)
        out = torch.relu(self.fc1(out))
        out = self.fc2(out)
        return out

add_net = AddNet(in_dim=2)
x = torch.randn(1, 1)
y = torch.randn(1, 1)
result = add_net.forward(x, y)
print(result)

在上述代码中，我们定义了一个AddNet神经网络类，它包含两个全连接层，其中第一层连接输入的x和y，第二层输出一个单独的节点，即对x和y的和的预测。在forward()函数中，我们将x和y按列拼接组成(1,2)的输入，接着经过一层ReLU激活函数和一层线性层后输出结果。在实例化类时，我们可以通过调用forward()函数传入我们需要计算的x和y值，并获取计算结果。

以上代码是一个简单的例子，展示了如何利用PyTorch中的nn.Module类定义一个小型神经网络，并如何利用前向传播函数forward()实现输入到输出的计算，以达到函数调用的效果。

torch.randn()函数作用

在上面的代码中，torch.randn(1, 1)的作用是生成一个1行1列的张量，其中的值是从均值为0、标准差为1的正态分布中随机采样得到的。这个张量代表了模型需要计算的一个输入值。由于AddNet模型需要两个输入数值来进行计算，所以我们在生成两个随机数张量x和y之后，把它们传入到模型的forward()函数中，来获取它们的和的计算结果。

这里使用 torch.randn() 的作用是随机生成输入。torch.randn() 是一个PyTorch内置函数，能够生成标准正态分布随机数。因为神经网络的输入往往是实际场景中的数据，训练数据的特点也具备随机性，所以在进行前向计算的过程中，需要将一些随机的输入植入到神经网络中，以验证神经网络的泛化能力，并提高其对不同数据集的适应性。而使用 torch.randn() 随机生成的数据分布在标准正态分布的范围内，适合使用在未知数据上的预测中。

上面程序中torch.cat([x, y], dim=1)作用

在上面的代码中，torch.cat([x, y], dim=1)的作用是将张量x和y沿着列维度（dim=1）进行拼接，构成一个新的张量。在这个案例中，我们定义了一个AddNet神经网络，需要对两个张量x和y进行求和操作。为了将x和y输入到神经网络中，我们需要将它们拼接成一个新的2列的张量。

举一个例子，如果x和y分别如下定义：

x = torch.tensor([[1]])
y = torch.tensor([[2]])
#执行torch.cat([x, y], dim=1)的结果为：

tensor([[1, 2]])

这就是把x和y沿着列维度进行拼接之后所形成的一个新的张量。在这个程序中，将随机生成的大小为（1,1）的张量x和y使用torch.cat()函数进行拼接，其中dim=1表示在列维度上进行拼接，生成一个形状为（1,2）的新张量。这个新张量的第一列对应着x这个大小为（1,1）的张量中的唯一元素，而第二列对应着y这个大小为（1,1）的张量中的唯一元素，两者合并为一个大小为（1,2）的张量，可以作为神经网络模型的输入。