不能直接继承 nn.Module 写无参激活函数，因其本质是函数式运算，需保证梯度透明性与 TorchScript 兼容性；正确做法是用 F.relu 等函数式接口，或确保自定义 Module 仅含可导张量操作。
为什么不能直接继承 nn.Module 写激活函数？
因为 PyTorch 的激活层（如 nn.ReLU）本质是无参数的可调用对象，不是靠权重计算，而是靠函数式运算。如果你直接继承 nn.Module 并在 forward 里写 torch.sigmoid(x)，它能跑，但会丢失梯度追踪的透明性——尤其当你想把自定义激活嵌入 nn.Sequential 或需要导出为 TorchScript 时，容易因未显式声明为纯函数而报错或失效。
正确做法是：优先用函数式接口（F.relu, F.gelu 等），或继承 torch.nn.Module 同时确保前向逻辑完全基于 torch 原生操作、不引入 Python 控制流或非张量状态。
如何写一个带可学习参数的自定义激活层（比如 Parametric Swish）？
Swish 是 x * sigmoid(βx)，其中 β 可训练。这类激活需要封装参数，并保证反向传播正常。关键点在于：参数必须注册为 nn.Parameter，且前向中所有运算必须支持 autograd。
Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景，可作为自动化工作流的一部分，也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期，并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看，该技能
- 用
nn.Parameter(torch.tensor(1.0))初始化可学习标量，别用普通float或torch.tensor(..., requires_grad=False) - 避免在
forward中使用if x > 0:这类 Python 条件分支——改用torch.where或逐元素函数 - 推荐对参数加
clamp_(min=0.1, max=10.0)防止训练崩溃（可在forward开头或用钩子）
inplace=True
- 不能只写
x *= torch.sigmoid(...)——这会破坏计算图；必须用x.mul_(...)等就地版本 - 若启用
inplace，输入x必须是 requires_grad=False，或你确认不会影响梯度（一般只对中间特征图安全） - 务必在文档或注释里标明该层是否真正支持
inplace模式，否则用户误用会导致RuntimeError: a leaf Variable that requires grad is being used in an in-place operation
torch.jit.script
- 禁用所有
math.、numpy.、print()、assert（改用torch._assert） - 避免属性访问依赖运行时判断，例如
if hasattr(self, 'beta'):→ 改为固定结构 - 测试导出：先用
torch.jit.script(MyAct())，再.save()；失败时用torch.jit.trace+ 典型输入兜底（但 trace 无法处理控制流变化）
真正麻烦的是带条件逻辑的激活（比如分段线性 + 阈值跳变），这种几乎必然要重构成 torch.where 形式才能过 TorchScript。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
