PyTorch自定义NeuralNet调用super()后仍报属性错误问题咨询

报错核心是实例化NeuralNet时nn.Module的父类初始化逻辑没正常执行，和你写的super().__init__()代码本身无关，是Jupyter环境跨ipynb导入的常见坑，一般是以下两种情况导致：

• model.ipynb的单元格存储顺序错乱。你在notebook里写代码时可能先建了写NeuralNet类的单元格，后面才建写import torch.nn as nn的单元格，notebook保存文件时是按单元格创建顺序存的，不是按你手动运行的顺序。用ipynb.fs.full导入时会严格按照文件内存储的单元格顺序从上到下执行，跑到类里的nn.Linear赋值逻辑时，要么nn还没被导入，要么类的初始化上下文异常，导致父类初始化没生效。
• Jupyter内核缓存了旧版本的类。你之前写NeuralNet类的时候一开始没加super().__init__()，后来补上了代码但没重新运行类定义的单元格，也没重启train文件的内核，导入时加载的还是内存里存的旧版类，旧版类根本没调用父类初始化方法，给类赋值nn层的时候就会触发这个属性错误。

• 先整理model.ipynb结构：把import torch、import torch.nn as nn这类导入语句全部放到notebook最顶部的第一个单元格，后面再放NeuralNet类的定义。你现在贴的类代码缺了forward前向传播方法，记得补上，不然后续训练跑不通。整理完之后重启model.ipynb的内核，从上到下逐格运行所有单元格，确认直接在model.ipynb里实例化NeuralNet不会报错。
  补全后的NeuralNet参考代码：

  import torch
  import torch.nn as nn
  
  class NeuralNet(nn.Module):
      def __init__(self, input_size, hidden_size, num_classes):
          super().__init__()
          self.l1 = nn.Linear(input_size, hidden_size) 
          self.l2 = nn.Linear(hidden_size, hidden_size) 
          self.l3 = nn.Linear(hidden_size, num_classes)
          self.relu = nn.ReLU()
      
      def forward(self, x):
          out = self.l1(x)
          out = self.relu(out)
          out = self.l2(out)
          out = self.relu(out)
          out = self.l3(out)
          return out
  

• 切回train.ipynb，直接重启整个内核清空所有缓存变量，把所有导入语句放到notebook顶部再逐格运行。初学阶段不建议把代码拆到多个ipynb文件里导入，跨ipynb导入的缓存、顺序问题非常多，直接把NeuralNet类复制到train.ipynb里先把训练逻辑跑通，后续功能稳定了再拆成独立的.py文件就行。
• 额外提醒：你现在写的ChatDataset类缺了__getitem__和__len__方法，后续跑DataLoader会报错，记得补上，参考写法：

  class ChatDataset(Dataset):
      def __init__(self):
          self.n_samples = len(x_train)
          self.x_data = x_train
          self.y_data = y_train
      
      def __getitem__(self, index):
          return self.x_data[index], self.y_data[index]
      
      def __len__(self):
          return self.n_samples
  

内容的提问来源于stack exchange，提问作者Grace