1.WAVM源码解析 —— WASI接口定义、主题找主内部实例初始化及实例链接
2.PyTorch 源码分析(一）：torch.nn.Module
3.Pytorch - Module
4.Pytorch源码剖析：nn.Module功能介绍及实现原理
5.Pytorch深入剖析 | 1-torch.nn.Module方法及源码
WAVM源码解析 —— WASI接口定义、源码内部实例初始化及实例链接
从前面文章中，题源我们知道WAVM执行WASM程序的主题找主流程。本文着重解析第三、源码四、题源ios日历源码五部分：生成内部实例、主题找主调用接口与实例链接。源码
生成内部实例的题源关键在于调用接口，接口参数是主题找主Intrinsics::Module类型的列表。内部实例不基于WASM程序，源码仅关注导入导出段内容，题源因此Intrinsics::Module类仅包含Function、主题找主Global、源码Table、题源Memory等元素。宏定义WAVM_INTRINSIC_MODULE_REF(wasi)生成一个Intrinsics::Module对象，其实际实现对应WASI标准接口。
初始化Intrinsics::Module对象通过宏函数WAVM_DEFINE_INTRINSIC_FUNCTION完成，这个宏定义接口并将其赋值给Intrinsics::Module对象。以sched_yield为例，宏定义后生成一个静态的Intrinsics::Function对象，通过构造函数自动赋值到Intrinsics::Module中。
Intrinsics::instantiateModule()函数执行步骤包括：将moduleRefs转化为IR::Module，ar场景源码编译生成的IR::Module，调用实例化接口函数生成内部实例。关键步骤为将外部接口函数转化为WASM格式的thunks函数，并将thunks导出。最终，通过实例化创建出内部实例，与普通实例的主要区别在于导入段内容的获取方式。
链接器实现实例化的一大功能，即提供查询导出项的接口。核心逻辑简单，具体实现则较为复杂，本文不展开解析。关于实例化细节，后续文章将深入探讨。
PyTorch 源码分析(一）：torch.nn.Module
nn.Module是PyTorch中最核心和基础的结构，它是操作符/损失函数的基类，同时也是组成各种网络结构的基类（实际上是由多个module组合而成的一个module）。
在Python侧，2.1回调函数注册，2.2 module类定义中，有以下几个重点函数：
重点函数一：将模型的参数移动到CUDA上，内部会遍历其子module。
重点函数二：将模型的仿soul源码参数移动到CPU上，内部会遍历其子module。
重点函数三：将模型的参数转化为fp或者fp等，内部会遍历其子module。
重点函数四：forward函数调用。
重点函数五：返回该net的所有layer。
在类图中，PyTorch的算子都是module的子类，包括自定义算子和整网定义。
在C++侧，3.1 module.to("cuda")详细分析中，本质是将module的parameter&buffer等tensor移动到CUDA上，最终调用的是tensor.to(cuda)。
3.2 module.load/save逻辑中，PyTorch模型保存分为两种，一种是纯参数，一种是带模型结构（PyTorch中的模型结构，本质上是由module、sub-module构造的一个计算图）。
parameter、buffer是通过key-value的形式来存储和检索的，key为module的.name，value为存储具体数据的tensor。
InputArchive/OutputArchive的shadow源码解释write和read逻辑。
通过Module，PyTorch将op/loss/opt等串联起来，类似于一个计算图。基于PyTorch构建的ResNet等模型，是逐个算子进行计算的，tensor在CPU和GPU之间来回流动，而不是整个计算都在GPU上完成（即中间计算结果不出GPU）。实际上，在进行推理时，可以构建一个计算图，让整个计算图的计算都在GPU上完成，不知道是否可行（如果GPU上有一个CPU就可以完成这个操作，不知道tensorrt是否是这样的操作）。
Pytorch - Module
本文聚焦于剖析Pytorch的源码，选取了torch.nn.Module作为研究对象。Module作为模型模块的封装父类，负责封装逻辑或模型的一层或多层区块。在Pytorch中，我们只需继承Module并保存模型参数，定义forward方法以实现前向传播，而后向传播则由tensor的自动微分机制处理。
让我们以多层感知器（MLP）为例，演示如何通过继承nn.Module自定义模型。OA源码完美MLP包含两个子模块：隐藏层和输出层。
Module内部仅有两个非内部变量：dump_patches和training，前者通常无作用，后者指示模块状态，是否处于训练中。其他变量分为三部分：模块信息，用于进行前向和反向的钩子，以及用于生成或加载状态字典的钩子。
模块信息包含了模型参数(_parameters)、缓存(_buffers 和 _non_persistent_buffers_set)以及内部模块(_modules)。这些信息由Module的__dict__记录，通过重写__getattr__、__setattr__和__delattr__方法访问。
每个模块拥有的钩子可以分为全局钩子和本地钩子。全局钩子适用于所有模块，主要用于调试；本地钩子仅作用于该模块本身，进行输入、输出和梯度处理，或用于调试目的。
为保存模块状态，我们还提供了状态字典(state_dict)功能，用于生成或恢复模块的状态信息，其中包含参数、持久状态缓存以及其他额外状态。避免保存值为None的参数和缓存。
Module中的变量状态保存在训练标志字段training中，它指示模块当前是否处于训练状态。确保在进行推断前使用eval()函数调整dropout和批量归一化层为评估模式，以获得一致的推断结果。
当模块调用前向、后向函数或各类钩子时，前向与后向过程以及各种钩子则被自动调用。
Module还具备钩子机制，包含前向、后向处理和状态字典操作。进一步，用户可以指定设备和数据类型迁移模块中的参数与缓存。
Pytorch源码剖析：nn.Module功能介绍及实现原理
nn.Module作为Pytorch的核心类，是构建模型的基础。它提供了一系列功能，包括记录模型的参数，实现网络的前向传播，加载和保存模型数据，以及进行设备和数据类型转换等。这些功能在模型的训练和应用中起到关键作用。
在训练与评估模式间切换，模块的行为会有所不同，如rrelu、dropout、batchnorm等操作在两种模式下表现不同。可学习的参数，如权重和偏置，需要通过梯度下降进行更新。非学习参数，比如batchnorm的running_mean，是训练过程中的统计结果。_buffers包含的Tensor不作为模型的一部分保存。
模块内部包含一系列钩子（hook）函数，用于在特定的前向传播或反向传播阶段执行自定义操作。子模块列表用于存储模型中的所有子模块。
魔术函数__init__在声明对象时自动调用，优化性能的关键在于使用super().__setattr__而非直接赋值。super调用父类的方法，避免不必要的检查，提高效率。使用register_buffer为模块注册可变的中间结果，例如BatchNorm的running_mean。register_parameter用于注册需要梯度下降更新的参数。
递归应用函数用于对模型进行操作，如参数初始化。可以将模型移动到指定设备，转换数据类型，以及注册钩子函数以实现对网络的扩展和修改。
调用魔术方法__call__执行前向传播。nn.Module未实现forward函数，子类需要提供此方法的具体实现。对于线性层等，forward函数定义了特定的运算流程。从检查点加载参数时，模块自动处理兼容性问题，确保模型结构与参数值的兼容。
模块的__setattr__方法被重写，以区别对待Parameter、Module和Buffer。当尝试设置这些特定类型的属性时，执行注册或更新操作。其他属性的设置遵循标准的Python行为。
模块的save方法用于保存模型参数和状态，确保模型结构和参数值在不同设备间转移时的一致性。改变训练状态（如将模型切换到训练或评估模式）是模块管理过程的重要组成部分。
Pytorch深入剖析 | 1-torch.nn.Module方法及源码
torch.nn.Module是神经网络模型的基础类，大部分自定义子模型（如卷积、池化或整个网络）均是其子类。torch.nn.Parameter是继承自torch.tensor的子类，用以表示可训练参数。定义Module时，可以使用个内置方法，例如add_module用于添加子模块，children和named_children用于获取子模块，modules和named_modules用于获取所有模块，register_parameter用于注册参数，parameters和named_parameters用于获取参数，get_parameter用于获取指定参数等。Module还支持数据格式转换，如float、double、half和bfloat，以及模型的设备移动，如cpu、cuda和xpu。训练模式调整可以通过train和eval方法实现。模型参数的梯度可以使用zero_grad方法清零。
模型的前向传播由forward方法定义，而apply方法允许应用特定函数到模型的所有操作符上。模型状态可以通过state_dict和load_state_dict方法进行保存和加载，常用于保存模型参数。此外，模型可以设置为训练模式或评估模式，影响特定模块如Dropout和BatchNorm的行为。
在PyTorch中，hook方法用于在前向和反向传播过程中捕获中间变量。注册hook时，可以使用torch.Tensor.register_hook针对张量注册后向传播函数，torch.nn.Module.register_forward_hook针对前向传播函数，torch.nn.Module.register_forward_pre_hook用于在前向传播之前修改输入张量，以及torch.nn.Module.register_backward_hook用于捕获中间层的梯度输入和输出。
通过这些方法，开发者可以灵活地调整、监控和优化神经网络模型的行为，从而实现更高效、更精确的模型训练和应用。利用hook方法，用户可以访问中间变量、修改输入或输出，以及提取特征图的梯度，为模型的定制化和深入分析提供了强大的工具。