PyTorch自定义maxout类forward方法未通过__init__传参为何能获取输入x

核心逻辑说明 #

你当前的困惑主要是对PyTorch nn.Module 的运行规则、以及「固定超参数」和「动态输入」的传递逻辑有误解：

• __init__ 方法的作用是初始化模块的固定配置、可学习参数等不会随前向输入变化的内容，比如你maxout类的num_pieces属于模型结构固定超参数，所以放在__init__传入并保存为实例属性；而forward的入参x是每次前向传播都会变化的输入张量，本来就不需要在初始化阶段传入。
• 所有继承自torch.nn.Module的子类，PyTorch都内置封装了__call__魔法方法：当你直接调用模块实例（比如你实例化的maxout(5)）时，会自动触发forward方法执行，同时把调用时传入的参数直接透传给forward作为入参。举个简单的测试例子：

import torch
test_x = torch.randn(2, 240) # 模拟Linear层输出的240维张量
maxout_inst = maxout(5)
res = maxout_inst(test_x)
print(res.shape) # 输出为torch.Size([2, 48])，和你网络中的计算结果一致

上述代码中maxout_inst(test_x)本质等价于maxout_inst.forward(test_x)，不需要提前把test_x传给__init__。

nn.Sequential的输入传递规则 #

你用到的nn.Sequential是PyTorch的顺序容器，会自动按你定义的顺序执行内部各个模块的前向计算，自动完成输入传递：

1. 你给self.fcn传入输入inputs时，首先会送给第一个Linear层，得到240维的输出张量
2. Sequential自动把这个Linear层的输出作为调用参数，传给下一个模块也就是maxout(5)的实例，相当于自动执行maxout_inst(linear_output)，自然就把Linear的输出作为x传给了maxout的forward方法
3. 后续maxout输出的48维张量，会再自动传给第二个Linear层完成剩余计算

内容的提问来源于stack exchange，提问作者Zeeshan Ali