Python多层级模块导入方式疑问及相关文档咨询

关于import torch和from torch import nn的拆分原因 #

你提到的from torch import torch.nn是错误写法，这两行导入的作用完全不同：

• import torch：将整个torch包导入当前命名空间，之后需通过torch.xxx的形式访问包内子模块或对象（比如torch.tensor()、torch.nn.Linear()）。
• from torch import nn：直接将torch包下的nn子模块导入当前命名空间，之后可直接用nn.xxx访问（比如nn.Linear()），无需前缀torch.。

拆分两行的常见原因是代码中既需要用到torch包本身的核心功能（如张量创建、设备配置），又需要频繁使用nn子模块的内容（如网络层定义），这种导入方式能平衡代码简洁性和可读性。

Python二级子模块的理解 #

Python的包（Package）是包含__init__.py文件的目录，子模块可以是包目录下的.py文件，或者嵌套的子目录（子包）：

• 导入父包时，Python默认不会自动加载其所有子模块。比如import torch后，torch.nn并不会被自动导入，必须显式执行import torch.nn或from torch import nn才能使用该子模块。这是Python的设计逻辑——避免不必要的内存占用，加快导入速度。
• 子模块的可见性由包内的__init__.py文件控制，有些包会在__init__.py中预先导入常用子模块，让用户导入父包后就能直接访问，但这是包开发者的选择，并非Python的默认行为。

三级及以上层级模块的处理方式 #

对于多级嵌套的模块（比如sklearn.metrics.r2_score是三级结构：sklearn包 → metrics子包 → r2_score函数），常见的导入方式有以下几种：

• 全路径导入：import sklearn.metrics.r2_score，调用时需写全路径：sklearn.metrics.r2_score(y_true, y_pred)
• 导入子包后访问：import sklearn.metrics，调用时使用sklearn.metrics.r2_score(...)
• 直接导入目标对象：from sklearn.metrics import r2_score，调用时直接写r2_score(...)
• 多级批量导入：from sklearn.metrics import r2_score, mean_squared_error，一次性导入多个目标对象；或者from sklearn import metrics，之后通过metrics.r2_score(...)访问

内容的提问来源于stack exchange，提问作者DDave