前言

深入深度学习框架的代码，发现forward函数没有被显示调用

但代码确重写了forward函数，于是好奇是不是python的魔术方法作用

1. 问题所示

代码如下所示：

class Module(nn.Module):# 初始化def __init__(self):super(Module, self).__init__()# ......# 前向传播def forward(self, x):# ......return x# 输入数据
data = .....  # 实例化
module = Module()# 前向传播
module(data)  

整个代码串没有显示调用forward函数
由此引发疑问：

1. 谁去调用forward函数？
2. 什么时候调用forward函数？

2. 原理分析

回顾python的基础知识：python 类和对象的详细分析
可以清楚知道对象需要执行方法，在方法中传入参数即可，类似 module.forward(data)，但是执行对象(参数)就可成功。

这也说明：module(data) 等价于 module.forward(data)。
即该代码块调用了forward函数（那他是怎样实现什么时候调用的呢）

本身Pytorch大部分操作都是通过继承nn.Module类实现，查看其源代码：

class Module(object):def __init__(self):def forward(self, *input):def add_module(self, name, module):def cuda(self, device=None):def cpu(self):def __call__(self, *input, **kwargs):def parameters(self, recurse=True):def named_parameters(self, prefix='', recurse=True):def children(self):def named_children(self):def modules(self):  def named_modules(self, memo=None, prefix=''):def train(self, mode=True):def eval(self):def zero_grad(self):def __repr__(self):def __dir__(self):

内部中有个def __call__(self, *input, **kwargs):函数，默认父类会执行该函数

大致如下：

class Module():def __call__(self, data):        print(data)module = Module()# 输出 1
module(1)

这正说明，深度学习的模型继承了nn.Module类，内部的__call__方法有对forward方法的调用，才不用显式地调用forward方法。
对此，深度学习的模型框架需要重写构造函数中的__init__函数和forward函数。

2.1 forward函数理解

1. 通过module中的__call__方法
2. __call__方法调用module中的forward方法
3. forward方法
   —若碰到Module子类，则迭代回馈第一步；
   —若碰到Function子类，则执行第四步；
4. 调用Function子类中的call方法
5. __call__方法调用Function中的forward方法
6. 由于层层嵌套，现在只需回馈上一层的值即可
   （ Function中的forward返回值 ->
   module中的forward返回值 ->
   module中的__call__进行forward_hook返回值）

代码逻辑如下：

def __call__(self, *input, **kwargs):# 此处执行forward函数result = self.forward(*input, **kwargs)for hook in self._forward_hooks.values():#将注册的hook拿出来用hook_result = hook(self, input, result)return result

• 围观角度：所谓的__call__为函数调用，只需要将该类型的对象当做函数使用即可，即 module(data) 等价于 module.forward(data)。

• 宏观角度：当一个类默认实现特殊方法__call__，该类的实例就变成可调用的类型，即对象名() 等价于 对象名.__call__()

2.2 forward函数用法

CNN可学习的参数层和不可学习的参数层，大致如下：

• 可学习的参数：卷积层和全连接层的权重、bias、BatchNorm的β和γ等。
• 不可学习的参数(超参数)：学习率、batch size、weight decay、模型的深度宽度分辨率等。

• Module类中的init构造函数一般放置可学习的参数，其不可学习的参数如果不放置在init层，则在forward函数中可用nn.functional来代替。
• forward函数必须重写（实现模型功能，链接各层之间的功能）