Turunkan nn.Module: __init__ dan forward
Kerangka standar model PyTorch
Turunkan nn.Module: __init__ dan forward adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Models Are Just Classes
In PyTorch, every model is a Python class. You build yours by subclassing nn.Module, the base that powers all networks.
Two Methods Run the Show
A model needs only two methods to work: __init__ sets up the layers, and forward describes how data flows through them.
Always Call super().__init__
The very first line inside __init__ must call super().__init__(). This wires your model into PyTorch and lets it track everything. 🔌
class Net(nn.Module):
def __init__(self):
super().__init__()Define Layers in __init__
Inside __init__ you create your layers and store them as attributes. Saving them on self lets PyTorch register them automatically.
self.fc1 = nn.Linear(4, 8)
self.fc2 = nn.Linear(8, 2)forward Is the Recipe
The forward method takes an input tensor and returns an output. It spells out the exact order your layers process the data.
def forward(self, x):
x = self.fc1(x)
return self.fc2(x)Never Call forward Directly
You call the model like a function, not model.forward(x). Using model(x) runs hooks and bookkeeping that forward alone skips.
out = model(x) # preferred
# not: out = model.forward(x)Layers Become Parameters
Because layers live on self, their weights are collected as the model's parameters. The optimizer later updates exactly these.
Instantiate Then Use
Create the model once, then feed it tensors many times. Each call flows through the same learned weights.
model = Net()
prediction = model(sample_input)Shapes Must Line Up
Each layer's output size must match the next layer's input size. Plan these dimensions as data travels through forward.
Why This Pattern Wins
Subclassing keeps setup and flow cleanly apart. The same simple skeleton scales from a tiny net to a giant one.
Flexible by Design
Inside forward you can branch, reshape, or reuse layers freely. This freedom is why custom nn.Module classes are so powerful. 💪
Quick Check
Think about which method defines how data moves through the network.
Recap
You build a model by subclassing nn.Module, defining layers in __init__ and the data flow in forward. Then just call model(x). 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Turunkan nn.Module: __init__ dan forward” gratis?
Ya — teks lengkap “Turunkan nn.Module: __init__ dan forward” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Turunkan nn.Module: __init__ dan forward”?
Kerangka standar model PyTorch Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Turunkan nn.Module: __init__ dan forward” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Turunkan nn.Module: __init__ dan forward
- Menumpuk Lapisan Linear
- nn.Sequential untuk Model Cepat
- Periksa Parameter dan Bentuk Lapisan