PyTorch中的神经网络模块（Neural Network Modules）是构建神经网络模型的基本组成部分。它们可以使神经网络模型的构建更加简单和灵活。在本教程中，我们将介绍如何使用PyTorch的神经网络模块来构建一个简单的全连接神经网络模型。

  1. 导入必要的库和模块

首先，我们需要导入PyTorch和其他必要的库和模块：

import torch
import torch.nn as nn
import torch.optim as optim
  1. 定义神经网络模型

接下来，我们将定义一个简单的全连接神经网络模型。这个神经网络模型包含3个全连接层：

class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)
        
    def forward(self, x):
        x = torch.flatten(x, start_dim=1)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

在上面的代码中，我们定义了一个名为SimpleNN的神经网络模型类。该类继承自nn.Module类，并实现了一个forward方法，用于定义神经网络的前向传播过程。在初始化方法中，我们定义了3个全连接层，并在forward方法中依次应用这些全连接层和激活函数。

  1. 创建神经网络模型实例

接下来，我们创建一个SimpleNN的实例：

model = SimpleNN()
  1. 定义损失函数和优化器

在训练神经网络模型时，我们需要定义损失函数和优化器：

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

在上面的代码中，我们使用交叉熵损失函数和Adam优化器。

  1. 训练神经网络模型

最后，我们可以开始训练神经网络模型。在训练过程中，我们需要依次完成前向传播、计算损失、反向传播和更新模型参数的步骤：

for epoch in range(num_epochs):
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

在上面的代码中，我们首先遍历每个epoch和每个mini-batch，然后对模型进行前向传播，计算损失，反向传播并更新模型参数。

通过以上步骤，我们可以使用PyTorch的神经网络模块来构建、训练和优化神经网络模型。希望这个教程能够帮助你更好地理解PyTorch中神经网络模块的基本概念。