源码有一个写法：
def forward(self, input: Tensor, hx: Optional[Tensor] = None) -> Tuple[Tensor, Tensor]: # noqa: F811
pass
forward，它的第一个参数 input 是一个 Tensor 类型的变量，第二个参数 hx 是一个可选的 Tensor 类型变量，这里使用了 Python 3.7 引入的类型注解语法。
函数返回值类型是一个由两个 Tensor 类型变量组成的元组（Tuple）【 -> 的意思是返回值】
除此之外，这段代码还包含了一个 pass 语句，它的作用是占位符，表示这个函数目前并没有实现任何功能。如果你需要在这个函数中添加具体的代码实现，可以将这个 pass 语句替换为你的代码。
2、@classmethod
@classmethod 是 Python 中的一个装饰器（Decorator），用于定义类方法。
类方法是与类相关联的方法，而不是与实例相关联的方法。可以直接“类.方法”直接调用类方法而不需要实例化
使用 @classmethod 装饰器来定义一个类方法，可以在方法中使用 cls 参数来引用类本身，而不是实例本身【在类方法中，第一个参数通常被约定为 cls，表示类本身。然而，你可以使用任何名称。】。例如：
class MyClass:
var = 123
@classmethod
def class_method(cls):
print(cls.var)
# 使用“@classmethod”的时候，可以直接调用类方法，不需要实例化
MyClass.class_method()
# 不使用“@classmethod”的时候，需要实例化才能调用类方法
class1 = MyClass()
class1.class_method()在上面的示例代码中，我们使用 @classmethod 装饰器定义了一个名为 class_method 的类方法。在该方法中，我们使用 cls 参数来引用类本身，并打印了类变量 var 的值。最后，我们在不创建实例的情况下调用了该方法，输出了类变量的值。
3、eval()
eval() 可以将字符串形式的 Python 表达式作为参数进行求值
例如上面的代码，就可以将一个字符串转为参数传递给方法了，因为有时候你需要动态变化你的参数，所以就有了上面的写法
4、nn.parameter()
nn.Parameter() 是 PyTorch 中用于将 tensor 转换为 nn.Parameter 类型的函数。nn.Parameter 实际上是一个特殊的张量类型，它会被自动注册为模型的可学习参数，即在训练过程中需要更新的参数。与普通的 Tensor 不同，nn.Parameter 的属性包括要求梯度（requires_grad）和所处设备（device）等。
在 PyTorch 中，使用 nn.Parameter 将 tensor 转换为模型参数有两个好处：
-
自动追踪计算图：将 tensor 包装为
nn.Parameter之后，PyTorch 会自动将其加入计算图中，并记录相应的梯度信息，这样就可以通过自动微分实现反向传播，即计算模型参数的梯度。 -
方便管理模型参数：使用
nn.Parameter可以使得模型参数更方便地集中管理，例如可以使用model.parameters()方法自动获取模型中的所有参数，或者使用model.named_parameters()方法获取模型中每个参数的名称和值等信息。
使用 nn.Parameter 的一般流程是：首先定义一个 tensor，然后将其转换成 nn.Parameter 类型并赋予初始值，最后将其添加到模型中作为可训练参数。下面是一段示例代码：
import torch.nn as nn
class MyModel(nn.Module):
def __init__(self):
super(MyModel, self).__init__()
self.weight = nn.Parameter(torch.randn(3, 5)) # 定义可训练参数为 3x5 的张量
self.bias = nn.Parameter(torch.zeros(3)) # 定义可训练参数为长度为 3 的张量
def forward(self, x):
return torch.matmul(x, self.weight.t()) + self.bias # 使用可训练参数计算输出
在这个例子中，我们定义了一个 MyModel 类，并将 weight 和 bias 转换为 nn.Parameter 类型。在模型的 forward 函数中，我们使用 weight 和 bias 计算输出，这样就可以利用反向传播算法，根据损失函数对 weight 和 bias 进行梯度更新。