在PyTorch中，封装模型（model wrapping）通常是指将一个模型包装起来，以便于进行额外的操作，比如修改输入尺寸、添加额外的层、或者进行前向传播时进行额外的处理。以下是一个简单的例子，展示如何使用PyTorch封装一个模型。
假设我们有一个简单的神经网络模型，我们想要在其外部添加一个额外的全连接层。
定义原始模型：
```python
import torch
import torch.nn as nn
原始模型
class SimpleModel(nn.Module):
def __init__(self):
super(SimpleModel, self).__init__()
self.fc1 = nn.Linear(10, 50)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(50, 1)
def forward(self, x):
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x
```
接下来，定义一个封装模型，它将原始模型作为子模块，并添加一个额外的全连接层：
```python
封装模型
class WrappedModel(nn.Module):
def __init__(self, model):
super(WrappedModel, self).__init__()
self.model = model
添加额外的全连接层
self.fc3 = nn.Linear(model.fc2.out_features, 10)
def forward(self, x):
使用原始模型的前向传播
x = self.model(x)
使用额外的全连接层
x = self.fc3(x)
return x
```
现在，我们可以创建原始模型的一个实例，并将其传递给封装模型：
```python
创建原始模型实例
original_model = SimpleModel()
创建封装模型实例
wrapped_model = WrappedModel(original_model)
```
使用封装模型进行前向传播：
```python
创建一个随机输入
input_tensor = torch.randn(1, 10)
使用封装模型进行前向传播
output = wrapped_model(input_tensor)
print(output)
```
这个例子展示了如何将一个模型封装起来，并在其外部添加额外的层。在实际应用中，封装模型可以用于添加数据预处理步骤、修改输入输出尺寸、或者进行其他需要的操作。
