上次介绍了顺序模型，但是在大多数情况下，我们基本都是以类的形式实现神经网络。
大多数情况下创建一个继承自 PyTorch 中的 nn.module 的类，这样可以使用 PyTorch 提供的许多高级 API，而无需自己实现。
下面展示了一个可以从nn.module创建的最简单的神经网络类的示例。基于 nn.module的类的最低要求是覆盖__inIT__()方法和foRwaRd()方法。
在这个类中，定义了一个简单的线性网络，具有两个输入和一个输出，并使用 SigMoid()函数作为网络的激活函数。
现在让我们测试一下模型。
现在让定义一个损失函数和优化函数。
我们创建一个由方程产生的数据集，并通过函数制造噪音
关于Torch.unsqueeze函数解读。
遍历每次epoch，计算出loSS，反向传播计算梯度，不断的更新梯度，使用梯度下降进行优化。
[w, b] = Model.paRaMeteRs() pRint(w,b)
这里的b=0.7，等于0.2 + Torch.Rand(x.size())，经过大量的训练Torch.Rand()一般约等于0.5。
