1. 基础
   torch.nn 是 PyTorch 中用于构建神经网络的模块。nn.Module包含网络各层的定义及forward方法。
   在用户自定义神经网络时，需要继承自nn.Module类。通过继承 nn.Module 类，您可以创建自己的神经网络模型，并定义模型的结构和操作。
   torch.nn 模块中常用的一些类和函数：
   nn.Linear: 线性层，用于定义全连接层。
   nn.Conv2d: 二维卷积层，用于处理图像数据。
   nn.ReLU: ReLU 激活函数。
   nn.Sigmoid: Sigmoid 激活函数。
   nn.Dropout: Dropout 层，用于正则化和防止过拟合。
   nn.CrossEntropyLoss: 交叉熵损失函数，通常用于多类别分类问题。
   nn.MSELoss: 均方误差损失函数，通常用于回归问题。
   nn.Sequential: 顺序容器，用于按顺序组合多个层。
   还能使用 PyTorch 提供的优化器（如 torch.optim）和损失函数来训练和优化模型。

2. 使用

import torch
from torch.nn import Module
class yaya(Module):def __init__(self):super().__init__()def forward(self,input):output = input+1return outputtu = yaya()
x = torch.tensor(1.0)
output = tu(x)
print(output)