面向 AI 代码的类（Classes）

类和实例

class Counter:
    def __init__(self, start=0):
        self.value = start

    def add(self, amount=1):
        self.value += amount

counter = Counter()
counter.add(3)
print(counter.value)

Counter 是类，counter 是实例。self 指向当前实例；__init__ 在创建实例时初始化属性；方法是属于类的函数。

实例化、调用方法、读取属性组成了最小的对象工作流：先 Counter()，再 add(3)，最后读取 value。每个实例都有自己的属性状态。

继承与 super

接着前面的 Counter 类代码运行；这里创建一个子类来复用父类方法。

class NamedCounter(Counter):
    def __init__(self, name):
        super().__init__()
        self.name = name

named = NamedCounter("train")
named.add(2)
print(named.name, named.value)

继承可以复用父类行为。理解到这里足以读懂 class MyModel(nn.Module) 的基本形状，不需要深入元类或描述符。

从 Python Class 到 PyTorch nn.Module

nn.Module 是 PyTorch 提供的模型基类。继承它，PyTorch 才能发现子模块和参数，并提供统一的模型调用、保存和 hooks 机制。通常在 __init__() 中定义层，在 forward() 中定义数据怎样流过这些层：

import torch
import torch.nn as nn

class TinyModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, X):
        return self.linear(X)

model = TinyModel()
X = torch.tensor([[1.0], [2.0], [3.0]])
y_hat = model(X)

print(isinstance(model, TinyModel))
print(model.linear)
print(X.shape, y_hat.shape)
print([tuple(parameter.shape) for parameter in model.parameters()])

super().__init__() 初始化父类的 Module 状态；如果省略它，子模块注册和参数管理会失效。self.linear 放在 __init__() 中后成为一个 registered submodule，它的 weight 和 bias 会出现在 model.parameters() 中。

forward(self, X) 中的 self 是当前模型实例，X 是输入 batch。模型对象是 callable 的，因此 model(X) 会进入 Module 的调用路径，最终执行你定义的 forward(X)，同时保留 Module 自身的 hooks 等机制。课程只需要记住这条路径：

model(X) → Module call path → forward(X) → prediction

不要直接写 model.forward(X) 作为常规调用，因为那会绕过 Module 调用机制。上面的 X 是 (3, 1)，线性层把每个样本的 1 个特征映射为 1 个输出，所以 y_hat 是 (3, 1)；参数 shape 是 weight (1, 1) 和 bias (1,)。

练习

★ 基础

阅读上面的 TinyModel，指出 model、linear、X、y_hat 的类型或 shape。

★★ 应用

把 nn.Linear(1, 1) 改成 nn.Linear(2, 1)，创建 shape 为 (4, 2) 的 X，预测输出 shape。

★★★ 综合

创建一个带名称的 RunningMetric 子类并在初始化时调用 super()；再说明为什么 TinyModel 也需要 super().__init__()。PyTorch 模型把参数保存为属性，把前向计算写成方法，本课的对象 mental model 会在 Tensor 课程中复用。