前向传播：获取预测结果

设置好模型、损失函数 (loss function)、优化器和数据加载器后，训练循环的核心部分便开始了。每次迭代中的第一个操作步骤是前向传播。在此步骤中，模型接收当前批次的输入数据并生成预测结果。

可以将前向传播看作信息流经神经网络 (neural network)的过程，从输入层，经过所有隐藏层，最终到达输出层。每个层都会对其从前一个层接收到的数据执行其定义的计算。

PyTorch中前向传播的工作原理

前向传播在PyTorch中是一个直接的过程。通过继承torch.nn.Module，用户可以在模型的forward方法中明确定义其操作的结构和顺序。

PyTorch的nn.Module基类提供了一个__call__方法。这使您能够将模型实例当作函数一样使用。当您调用model(inputs)时，PyTorch会隐式地执行您定义的forward方法，将inputs传递通过网络的各层。

实现前向传播

在您的训练循环内部，从DataLoader获取一个批次的数据（特征和标签）后，您将特征（输入）送入您的模型：

# 假设 'model' 是您的 nn.Module 子类的一个实例
# 假设 'data_batch' 是从 DataLoader 加载的
# 假设 'device' 已定义（例如，'cuda' 或 'cpu'）

# 解包批次数据（根据您的 DataLoader 结构进行调整）
inputs, labels = data_batch
inputs = inputs.to(device) # 将输入数据移动到正确的设备上
labels = labels.to(device) # 将标签移动到正确的设备上（损失计算需要）

# --- 前向传播 ---
# 将输入通过模型
outputs = model(inputs)
# -----------------------

# 'outputs' 现在包含模型对 'inputs' 批次的预测结果。
# 下一步将使用这些 'outputs' 和 'labels' 计算损失。

以下是此步骤的可视化表示：

在前向传播过程中数据流向：加载一个批次，输入数据被准备并发送到合适的设备，然后通过模型生成输出。

理解输出

前向传播生成的outputs张量包含了模型对给定输入批次的预测结果。这些预测结果的具体性质取决于模型的最后一层和任务：

• 分类： 通常，输出代表每个类别的原始分数，称为 logits。这些logits通常会传递给像nn.CrossEntropyLoss这样的损失函数 (loss function)，该函数会在内部应用Softmax函数。
• 回归： 输出可能直接代表预测的连续值。
• 其他任务： 对于像分割或目标检测这样的任务，输出结构会更复杂，以反映任务的具体要求。

务必确保您的输入数据（inputs）和模型（model）位于相同的计算设备上（CPU或特定的GPU）。如果它们在不同的设备上，PyTorch会抛出运行时错误。如代码片段所示，使用.to(device)将数据批次移动到指定的device是防止这种情况发生的标准做法。

前向传播根据模型的当前参数 (parameter)（权重 (weight)和偏差）计算模型的预测结果。这些预测结果随后将在下一步：计算损失中与真实标签进行比较。