核心要点
forward 定义前向计算逻辑
应通过 model(x) 调用而非直接 forward
理解 call 会触发钩子与 hooks
子模块在 forward 中组合调用
简要回答
PyTorch Module 的 forward 方法定义数据如何流经各层得到输出；调用 model(x) 会触发 call 进而执行 forward，不应直接调用 forward 以保留钩子机制。
标准回答
一、先把结论讲清楚
在 PyTorch 中，继承 nn.Module 的类必须实现 *forward(self, *args)**，定义前向传播*：输入张量如何经各子层得到输出。
示例代码可以这样理解：
class MyModel(nn.Module):
def __init__(self):
super().__init__()
self.conv = nn.Conv2d(3, 64, 3)
self.fc = nn.Linear(64, 10)
def forward(self, x):
x = F.relu(self.conv(x))
x = F.adaptive_avg_pool2d(x, 1).flatten(1)
return self.fc(x)
二、调用约定
使用 model(x) 而非 model.forward(x)。nn.Module.call 会在 forward 前后执行注册钩子（forward_pre_hook、forward_hook），直接调 forward 会跳过它们。
三、职责划分
init 声明子模块与参数；forward 描述计算图连接。复杂模型可在 forward 中做分支、多输入、残差 x + self.block(x)。
Autograd 在 forward 时建图，backward 时求导。详见 深度学习基础。
面试里不要只停在公式或名词，可以补 PyTorch Module 的 forward 方法起 对训练稳定性、泛化、收敛速度或显存/算力的影响。再说明一个常见调参或排错场景，面试官会更容易判断你真的用过这些方法。
回答思路
【定义】用一句话说清「PyTorch Module 的 forward 方法起什么作用」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：到处写 model.forward(x) 跳过 hooks；在 forward 里创建 nn.Linear（应放 init）；忘记 return 导致输出 None。
追问
追问 1：为什么不能写 self.training 在 __init__？
training 模式由 Module 基类管理，model.train()/eval() 切换。forward 内用 self.training 区分 Dropout/BatchNorm 行为，不应手动覆盖该属性。
追问 2：forward 能有多输入多输出吗？
可以，forward(self, x, mask) 或 return out1, out2。DataLoader 需提供元组；损失函数对应处理多输出。
追问 3：torch.jit.script 对 forward 有何要求？
需类型可推断、控制流受限；纯 Python 逻辑可能 script 失败。TorchScript 导出依赖 forward 定义清晰静态图。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
