为什么在 PyTorch 中要使用 super().__init__()？一文搞懂原理与最佳实践

在使用 PyTorch 自定义神经网络时，我们经常会看到如下代码：

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super().__init__()
        # 模型结构定义

你是否想过：

• 为什么要用 super().__init__()？
• 和直接写 nn.Module.__init__(self) 有什么区别？
• 如果不写，会发生什么？

本文将从 Python 面向对象的机制、PyTorch 模型构造原理、代码实践和错误示例等多个角度，带你深入理解这一行代码背后的意义。

🔍 一、super() 是什么？

super() 是 Python 提供的内置函数，用于调用父类方法。它常用于类的初始化过程中，尤其在继承链中有多个父类时。

在 Python 中，类的继承是通过“方法解析顺序（MRO）”决定的，super() 会按照这个顺序自动调用合适的父类方法，而不用我们手动指定。

class Base:
    def __init__(self):
        print("Base init")

class Sub(Base):
    def __init__(self):
        super().__init__()  # 推荐
        print("Sub init")

🧠 二、在 PyTorch 中为什么一定要写 super().__init__()？

在 PyTorch 中，我们的模型类通常继承自 nn.Module。这是因为 PyTorch 的很多功能（如参数注册、模块嵌套、模型保存等）都依赖于 nn.Module 的初始化机制。

✅ 不写 super().__init__() 的后果：

• 模型参数不会被 model.parameters() 正确识别；
• 子模块不会被注册，无法保存或加载模型；
• 某些高级功能（如 to(device)、eval()）可能失效。

🧪 三、实例对比

正确写法（使用 super()）：

class MyModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(10, 1)

错误写法（不写 super()）：

class MyModel(nn.Module):
    def __init__(self):
        self.linear = nn.Linear(10, 1)  # 会报错或行为异常

运行这段错误代码可能导致：

AttributeError: 'MyModel' object has no attribute '_parameters'

因为父类 nn.Module 的初始化没有被执行，底层所需的属性未创建。

💡 四、super() vs nn.Module.__init__(self)

推荐：始终使用 super()。

🧭 五、适用于所有 Python 类吗？

是的！super() 是 Python 的通用特性，不仅限于 PyTorch。在任何需要继承和初始化父类的场景下都应该使用它，特别是在涉及多个父类时。

✅ 六、总结

• super().__init__() 是初始化父类的标准做法，保证继承机制正常工作；
• 在 PyTorch 中必须调用 nn.Module 的初始化，否则模型行为异常；
• 使用 super() 代替硬编码父类名，更灵活、安全、可维护；
• 初学者可能觉得它“多余”，但这是面向对象编程中的核心机制。

📌 最佳实践建议

• 任何继承自 nn.Module 的类都应该使用 super().__init__()；
• 避免直接调用父类构造函数名，即不要写 nn.Module.__init__(self)；
• 理解 super() 的原理，对写出可维护、高质量的代码至关重要。

  ---