适用版本：Frame v1.3 M28，C++20；Python 绑定 0.1.0（可选）

最后更新：2026-07-24

本章是非规范性使用说明；nn/data 语义以nn/data 架构为准。

学习目标

以 C++ 建立固定 batch 的 frame::nn 图，并用 DataLoader 提供批数据。

前置

完成02 核心概念。完整可运行流程见仓内示例 04。

可运行代码

先声明普通图输入，按确定顺序追加参数输入，再调用 Module 的 build()：

frame::ir::Value* features = graph.add_graph_input(feature_type).value();
auto params = frame::nn::add_parameter_inputs(graph, model.parameters()).value();
frame::ir::Value* output = model.build(graph, {features}, params).value()[0];
graph.mark_output(output);

Linear 的 weight 是 [in_dim, out_dim]。当 with_bias=true 时，bias 是 [batch, out_dim]，所以 batch 属于静态签名。TensorDataset 和 DataLoader 按列提供批数据；drop_last=true 可保持固定 batch。

预期输出

示例 04 会构建模型图并迭代 CPU 批数据。具体批次数和数值取决于示例输入；请以实际运行输出验收，而不是把本章描述当作已执行结果。

PyTorch 对照

PyTorch 的 nn.Module 通常持有参数值，并在调用时 eager 执行；torch.utils.data.DataLoader 常与 workers、pinned memory 和预取配置协同。Frame Module 只保存模块与参数元信息、只负责构图，不保存运行期参数值。Frame DataLoader 仅处理 CPU columns，不承诺 workers、pinned memory 或 prefetch。

边界

  • 每列必须非空、rank 至少为 1，且 axis 0 样本数相同。
  • DataLoader 的 CPU 限制不代表主图必须在 CPU；其他后端的数据迁移由调用方遵循 device 契约完成。

小结

  • Module.build() 产出图内节点，不是即时数值计算。
  • 参数输入顺序由模块规格确定。
  • 固定 batch 和 drop_last 与静态图相配合。

练习

  1. 将示例 04 的样本数设为不能整除 batch，观察 drop_last=true 的影响。
  2. 写出 features、参数输入与图输出在一次编译前的各自作用。

下一章

继续05 训练。