（基于Pytorch的深度学习）笔记1：创建模型用到的类：_init_和self、super(Model, self).__init__()

Python 中的_init_和self:

拿以下一段代码作为例子：

class LinearNet(nn.Module):
    def __init__(self,n_feature):
        super(LinearNet, self).__init__()
        self.linear = nn.Linear(n_feature,1)
        def forward(self, x):
            y = self.linear(x)
            return y

定义一个类：class LinearNet(nn.Module),利用__init__（）把需要必须绑定的属性强制填写进去，如上面给的n_feature，注意到__init__（）的第一个参数永远是self,其表示创建的实例本身，此时我们也可以看到，新建的LinearNet类拥有一个父类，即nn.Module,那么，那么可以调用以下函数（super().__init()__()）来通过初始化父类属性以初始化自身继承了父类的那部分属性；这样一来，作为nn.Module的子类（LinearNet）就无需再初始化那一部分属性了，只需初始化新加的元素；

super(Model, self).__init__()

 super(Model, self).__init__()：以上是我自己理解，下面是官方解释。

官方解释：其代表对继承的那个父类的属性进行初始化，首先找到LinearNet的父类A，然后把LinearNet的对象self转换为父类A的对象，然后被转换的父类的对象A调用自己的__init__函数。

再次回到上面那段代码，几点说明：首先，类LinearNet调用__init__（）初始化一部分继承父类的属性；

其此增加了新的参数n_feature，linear，以及将他初始化；

增加了一个新函数forward（），有一个和输入参数x，此时x就相当于n_feature这个位置，返回y，见到你理解y此时就是代表一个nn.Linear（n_featrue，1）这样的线性回归的神经网络模型

调用方式：

net = LinearNet(2)

对LinearNet实例化一个对象net，输入参数为整形数据2，即代表net为一个2输入1输出的网络模型；

以上就相当于搭建了一个简易模型，有点为繁琐，所以nn类提供了更加简单的方法来搭建网络

待更新