一.nn.LeakyReLU()函数

  在 PyTorch 中，nn.LeakyReLU() 是一个激活函数，用于引入非线性性到神经网络中。Leaky ReLU 是修正线性单元（ReLU）的一种变体，它在输入为负数时不是完全置零，而是引入一个小的负斜率。nn.LeakyReLU() 的初始化参数如下：

• negative_slope（默认为 0.01）：负斜率，指定当输入为负数时的斜率值。通常设置为一个小的正数。

  举个例子，如下所示：

import torch
import torch.nn as nn

# 创建 LeakyReLU 激活函数实例
leaky_relu = nn.LeakyReLU(negative_slope=0.01)

# 假设有一个输入张量 x
x = torch.randn(3, 3)

# 将输入张量传递给 LeakyReLU 激活函数
output = leaky_relu(x)

  在这个例子中，negative_slope 参数被设置为 0.01，但可根据需求调整。Leaky ReLU 的主要优点之一是在输入为负数时允许一定的信息流，这有助于避免梯度消失问题，尤其在深层网络中。

二.nn.Module 模块

  nn.Module 是 PyTorch 中所有神经网络模块的基类。任何自定义神经网络层、模型或其他组件都应该继承自 nn.Module。其特征如下所示：

• 提供了一些基本功能，如参数管理、子模块追踪等。
• 允许定义网络层的前向传播逻辑。
• 能够自动追踪网络的参数，使得优化器可以更新这些参数。

  举个例子，如下所示：

import torch.nn as nn

class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.fc = nn.Linear(in_features=10, out_features=5)

    def forward(self, x):
        return self.fc(x)

三.nn.ModuleList 模块

  nn.ModuleList 是用于将多个子模块组合成列表形式的容器。它允许在模型中方便地管理多个子模块，例如堆叠多个层。其特征如下所示：

• 可以通过索引访问和操作列表中的每个子模块。
• 允许在 forward 方法中方便地迭代或使用列表中的模块。

  举个例子，如下所示：

import torch.nn as nn

class ComplexModel(nn.Module):
    def __init__(self):
        super(ComplexModel, self).__init__()
        self.layers = nn.ModuleList([
            nn.Linear(in_features=10, out_features=5),
            nn.ReLU(),
            nn.Linear(in_features=5, out_features=1)
        ])

    def forward(self, x):
        for layer in self.layers:
            x = layer(x)
        return x

  总之，在 PyTorch 中，nn.Module 和 nn.ModuleList 是用于构建神经网络的两个关键组件。nn.Module 提供了一个通用的神经网络模块的基类，而 nn.ModuleList 是用于管理多个子模块的容器。通常，nn.Module 的派生类会包含 nn.ModuleList 作为其属性，以构建更复杂的网络结构。