使用自定义模块创建数据模型

还有另一种方法可以找到预测。在上一节中，我们使用 forward () 并通过实现线性模型来找到预测。此方法非常高效且可靠。它易于理解和实现。

在自定义模块中，我们使用类创建一个自定义模块，以及它的 init() 和 forward() 方法和模型。 init() 方法用于初始化类的新的实例。在此 init() 方法中，第一个参数是 self，它表示类的实例，即尚未初始化的对象，并且在 self 之后，我们可以添加其他参数。

下一个参数是初始化线性模型的实例。在上一节中，初始化线性模型需要输入大小和输出大小，等于 1，但在自定义模块中，我们传递输入大小和输出大小变量，而无需传递其默认值。

在这里，需要导入 torch 的 nn 包。在这里，我们使用继承，以便这个子类将利用来自我们基类和模块的代码。

该模块本身通常将充当所有神经网络模块的基类。之后，我们创建一个模型，通过该模型进行预测。

让我们看一个例子，通过创建自定义模块来完成预测

对于单个数据

输出

<torch._C.Generator object at 0x000001B9B6C4E2B0>
tensor([0.0739], grad_fn=<AddBackward0>)

对于多个数据

输出

<torch._C.Generator object at 0x000001B9B6C4E2B0>
tensor([[0.0739],
        [0.5891],
        [1.1044]], grad_fn=<AddmmBackward>)