03-01-模型创建步骤与nn.Module.mp4
torch nn 是pytorch的神经网络模块
子模块：
nn.Module最重要的两个属性：
基于LeNet观察nn.module的创建（RMB2）
class LeNet(nn.Module):
#LeNet继承于nn.Module
def __init__(self, classes):
#初始化属性
super(LeNet, self).__init__()
#super实现父类函数调用功能
步入nn.Module的__init__()初始化，可以看到LeNet调用了nn.Module一系列有序字典的初始化，其中
self.training = True 表示模型的训练模式
以上就构建好了一个Module的基本属性
可以看到已经初始化完毕
接下来，构建子模块
第一个网络层是Conv2d的卷积层，步入
class Conv2d(_ConvNd):
Conv2d继承于ConvNd类
进入到了ConvNd类的初始化
可以看到调用super进入到了ConvNd的父类
class _ConvNd(Module):
可知Conv2d其实是一个Module
先实现ConvNd的初始化
接着调用super进入到ConvNd的父类Module
又到了module的init初始化属性（毕竟conv2d也和LeNet一样，也是一个Module）
构建好之后，跳出之后查看，LeNet中会记录一个'conv1'网络层，因为'conv1'也是一个Module，所以会记录到modules字典中
既然conv2d也是一个module，故也有初始化的有序字典
接下图
modules没有内容是因为已经没有子module了，而参数parameters存储了权重和偏置这两个可学习参数，parameter类是继承于tensor，所以paramter是一个特殊的张量tensor，所以会包含张量的基本属性
以上就实现了一个子网络层的构建，同时把conv2d存储到了modules当中进行有效的管理
观察LeNet这个module是如何把子module（conv2d）存储到LeNet的有序字典modules当中
如图，当执行一系列操作之后回到lenet.py
只是实现了conv2d的实例化，构建了conv2d网络层，还没赋值给LeNet的类属性conv2当中，可以看到有序字典modules还没有conv2
下一步才是赋值给类属性
在module当中，setattr函数会拦截所有类属性赋值操作，下一步进入setattr函数
其中，name、value的值如下图
用isinstance函数判断是否是parameter类型
若是，赋值给name，并且储存到parameter的有序字典中
value是一个con2d类型，也就是一个module
往下会判断是否是module
判断为True进行赋值
走完所有子网络层，LeNet构建完毕
总结
例如，LeNet是一个大的module，它可以包含很多个子module，如卷积层、池化层、全连接层，都可以包含在LeNet这个大的module当中
一个module接受一个复杂的tensor，进行一系列运算，输出分类概率或者其他的数据，所以要对module进行forward前向传播操作。
