PyTorch线性回归构造函数中为何要完整继承nn.Module初始化？

你参考的自定义线性回归模型代码如下：

class linearRegression(torch.nn.Module):
    def __init__(self, inputSize, outputSize):
        super(linearRegression, self).__init__()
        self.linear = torch.nn.Linear(inputSize, outputSize)

    def forward(self, x):
        out = self.linear(x)
        return out 

其中super(linearRegression, self).__init__()这行不是冗余代码，哪怕你后续定义的层都是直接调用官方自带的nn.Linear这类现成模块，这步也不能省。父类初始化的核心作用是给你的自定义类搭好整个Module体系的运行基础，具体承担这几部分关键工作：

• 初始化模块核心内部存储容器
  父类__init__会提前创建_parameters、_modules、_buffers三个核心内部字典。你后续写self.linear = torch.nn.Linear(...)的时候，不是简单给实例挂了个普通属性——PyTorch重写了Module类的__setattr__逻辑，只要你赋值的对象是nn.Module子类、Parameter或者Buffer类型，就会自动把对应的子模块、可训练参数、常驻缓存（比如BN层的滑动均值）存到前面的三个字典里。如果没跑父类初始化，这几个容器根本不存在，你赋值子层的时候要么直接抛属性错误，要么后续所有参数相关的功能全部失效。
• 初始化训练/推理全流程基础属性
  父类初始化会默认给实例打上training=True的状态标记，同时初始化好钩子注册、设备迁移、数值精度切换相关的内部配置。你后续调用.cuda()/.to()把模型挪到GPU/其他设备、调用.eval()切换推理模式、注册前向/反向传播钩子、设置权重是否需要梯度这些常用功能，全依赖这些提前初始化好的属性，跳过父类初始化调用这些方法会直接报属性不存在的错误。
• 打通模块树的递归遍历逻辑
  PyTorch很多核心功能，比如.parameters()递归扫描所有层的可训练权重、state_dict()导出全模型权重、load_state_dict()加载训练好的权重，都是靠遍历每个Module下_modules存储的子模块递归实现的。如果跳过父类初始化，你定义的self.linear不会被注册到子模块列表里，这些遍历逻辑根本找不到你写的线性层，相当于这个层成了游离在PyTorch模型管理体系外的普通Python属性，完全不会被识别为模型的一部分。

最直观的反例：你可以把这行super调用注释掉再跑代码，实例化模型之后调用model.parameters()会直接返回空迭代器，优化器拿不到线性层的权重，训练的时候参数完全不会更新，而且代码不会抛显性的初始化错误，排查问题要花很多时间。

你可能会疑惑：self.linear本身就是现成的nn.Linear实例，自带所有相关方法，为什么还要外层做初始化？这里要明确：nn.Linear作为独立的Module子类，它自己的初始化流程只会完成它自己这个子模块的内部状态搭建，和你当前写的外层linearRegression类的初始化是完全独立的两件事。外层模型作为一个独立的Module实例，必须自己完成父类初始化流程，才能把自己和内部嵌套的所有子模块整合成一个能被PyTorch正常识别、调度的完整模型。

内容的提问来源于stack exchange，提问作者prarthik krishnan