在 PyTorch 中，nn.Module 子类（如自定义 Net）的构造函数仅接收超参数，不接收输入数据；输入必须在模型实例化后，通过 forward() 方法（即直接调用模型对象）传入。
在 pytorch 中，`nn.module` 子类（如自定义 `net`）的构造函数仅接收超参数，**不接收输入数据**；输入必须在模型实例化后，通过 `forward()` 方法（即直接调用模型对象）传入。
你遇到的错误：
TypeError: Net.__init__() takes 1 positional argument but 2 were given
根本原因在于这行代码：
model = Net(X_train[0]) # ❌ 错误：把输入数据传给了 __init__
Net.__init__() 只接受 self 这一个隐式参数（即 super().__init__() 所需的上下文），而 X_train[0] 被当作第二个位置参数传入，导致参数数量不匹配。
✅ 正确做法是：先实例化模型，再传入数据进行前向传播。例如：
import torch
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super().__init__()
self.stack = nn.Sequential(
nn.Linear(3, 8),
nn.ReLU(),
nn.Linear(8, 8),
nn.ReLU(),
nn.Linear(8, 1),
nn.Sigmoid()
)
def forward(self, x):
return self.stack(x)
# ✅ 正确：仅实例化模型（无输入）
model = Net()
# ✅ 正确：将输入张量传给模型实例（触发 forward）
x_sample = torch.randn(5, 3) # 假设 batch_size=5, input_dim=3
output = model(x_sample) # 等价于 model.forward(x_sample)
print(output.shape) # torch.Size([5, 1])
print(output.squeeze()) # 如需一维输出：tensor([0.2145, 0.7632, ...], grad_fn=<squeezebackward1>)</squeezebackward1>
⚠️ 注意事项：
- X_train[0] 是单个样本（形状如 [3]），若直接传入 model(X_train[0])，需确保模型能处理该 shape —— 通常 nn.Linear 期望输入为 (batch_size, features)，因此建议使用 X_train[:5]（shape [5, 3]）并保持 batch 维度；
- nn.Sequential 中各层会自动按序连接，无需手动管理参数或 register_module；
- 若需调试中间结果，可将 Sequential 拆分为独立模块并打印 x 的 shape，或使用 torch.jit.trace 辅助验证。
? 小结：PyTorch 模型生命周期清晰分离——__init__ 定义结构，forward 处理数据。牢记「构造时不传数据，调用时才传入」，即可避免此类常见错误。
