先看一個列子：

import torch
from torch import nn

m = nn.Linear(20, 30)
input = torch.randn(128, 20)
output = m(input)

output.size()

out:

torch.Size([128, 30])

剛開始看這份程式碼是有點迷惑的，m是類物件，而直接像函式一樣呼叫m，m(input)

重點：

• nn.Module 是所有神經網路單元（neural network modules）的基類
• pytorch在nn.Module中，實現了__call__方法，而在__call__方法中呼叫了forward函式。

經過以上兩點。上述程式碼就不難理解。

返回的是：
$input * weight + bias$的線性函式

此時再看一下這一份程式碼：

import torch
from torch import nn

m = nn.Linear(20, 30)
input = torch.randn(128, 20)
output = m(input)

output.size()

首先建立類物件m，然後通過m(input)實際上呼叫__call__(input)，然後__call__(input)呼叫
forward()函式，最後返回計算結果為：
$[$

所以自己建立多層神經網路模組時，只需要在實現__init__和forward即可.

接下來看一個簡單的三層神經網路的例子：

# define three layers
class simpleNet(nn.Module):

    def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
        super().__init__()
        self.layer1 =
 
 nn.Linear(in_dim, n_hidden_1)
        self.layer2 = nn.Linear(n_hidden_1, n_hidden_2)
        self.layer3 = nn.Linear(n_hidden_2, out_dim)

    def forward(self, x):
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)

        return x

以下為各層神經元個數：
輸入： in_dim
第一層： n_hidden_1
第二層：n_hidden_2
第三層（輸出層）：out_dim